Modelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
|
|
- Anna Rijo Lopes
- 7 Há anos
- Visualizações:
Transcrição
1 Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
2 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços de ações, taxas de inflação, taxas de câmbio, etc., costumam observar que a capacidade dos modelos em prever tais variáveis oscila consideravelmente de um período para outro: para alguns períodos, os erros de previsão são relativamente pequenos, já para outros, tais erros são relativamente grandes, e então são outra vez pequenos para um outro período. 2
3 Motivação Observando as expressões de cálculo dos erros de previsão: e T (1) = y T +1 ŷ T (1) = ε T +1 e T (2) = y T +2 ŷ T (2) = ε T +2 + ψ 1 ε T +1 e T (3) = y T +3 ŷ T (3) = ε T +3 + ψ 1 ε T +2 + ψ 2 ε T +1. e T (h) = y T +h ŷ T (h) = ε T +h + ψ 1 ε T +h ψ h 1 ε T +1 não é difícil notar que tais quantidades realmente podem guardar algum tipo de relação. 3
4 Motivação Não é difícil notar que o comportamento dos erros de previsão dependem do comportamento das perturbações ε t. Dessa forma, temos uma justificativa plausível para a existência de auto-correlação na variância de ε t. Assim, podemos observar que as variâncias dos erros de previsão não são constantes. Ou seja, há uma espécie de auto-correlação nas variâncias dos erros de previsão. 4
5 Modelos ARCH e GARCH Para capturar a estrutura de correlação na variância condicional da inflação do Reino Unido, Engle (1982) propôs um modelo denominado como ARCH (Modelo Autorregressivo para a Heteroscedasticidade Condicional), que é um exemplo de modelo não-linear. Uma generalização do modelo ARCH foi sugerida por Bollerslev (1986, 1987, 1988), o chamado modelo GARCH (generalized ARCH), que pode ser usado para descrever a volatilidade com menos parâmetros do que um modelo ARCH. 5
6 Objetivos Assim, nesta parte da disciplina o objetivo será modelar o que se chama de volatilidade, que é a variância condicional de uma variável, comumente de um retorno. Embora não seja medida diretamente, a volatilidade manifesta-se de várias maneiras numa série financeira e nós a trataremos a partir de uma abordagem estatística, que modela diretamente a volatilidade da série de retornos usando alguma classe de modelos como, por exemplo, o GARCH. 6
7 Fatos estilizados sobre os retornos (a) Retornos são, em geral, não auto-correlacionados; (b) Séries de retornos apresentam agrupamentos de volatilidades ao longo do tempo; (c) Os quadrados dos retornos são auto-correlacionados, apresentando uma correlação de lag 1 pequena e depois uma queda lenta das demais; (d) A distribuição (incondicional) dos retornos apresenta caudas mais pesadas do que as caudas de uma distribuição normal; além disso, a distribuição, embora aproximadamente simétrica, é, em geral, leptocúrtica; (e) Algumas séries de retornos são não-lineares. 7
8 Petrobras (PBR/NYSE) - 11/08/00-27/03/15 (3678 obs) Log returns /10/00 7/18/03 6/19/06 5/21/09 4/20/12 3/26/15 days 8
9 Função de autocorrelação FAC Defasagem 9
10 Função de autocorrelação parcial FACP Defasagem 10
11 Normalidade ou não? data normal Density
12 Normalidade ou não? Normal Q Q Plot Quantis teoricos Quantis amostrais 12
13 Estatísticas básicas Média Mediana Mínimo Máximo Desvio Padrão Assimetria Excesso de curtose
14 Quadrados dos log-retornos Log returns squared /10/00 7/18/03 6/19/06 5/21/09 4/20/12 3/26/15 days 14
15 Quadrados dos log-retornos - FAC FAC Defasagem 15
16 Quadrados dos log-retornos - FACP FACP Defasagem 16
17 Modelos não-lineares Na análise de modelos não-lineares as inovações (choques aleatórios) ε t são, em geral, supostas i.i.d e o modelo tem a seguinte forma de mode que r t = µ(ε t 1, ε t 2,...) + σ(ε t 1, ε t 2,...)ε t, µ( ) representa a função média condicional; e σ 2 ( ) representa a função variância condicional. Se µ( ) for não-linear modelo não-linear na média. Se σ 2 ( ) for não-linear modelo não-linear na variância. 17
18 Média e variância condicionais de r t Considere r t uma série de log-retornos. I t 1 = {r 1, r 2,..., r t 1 } denota toda a informação até t 1. A média condicional de r t é dada por µ t = E(r t I t 1 ) = E t 1 (r t ). A variância condicional de r t é dada por σ 2 t = E[(r t µ t ) 2 I t 1 ] = E t 1 [(r t µ t ) 2 ]. Se µ t = 0, então σ 2 t = E[r 2 t I t 1 ] = E t 1 [r 2 t ] 18
19 Notação Um modelo típico para a volatilidade é da forma r t = µ t + σ t ε t em que E t 1 (ε t ) = 0 e Var t 1 (ε t ) = 1 e tipicamente ε t é uma sequência i.i.d. com certa distribuição. Obs: A média e a variância incondicionais de r t serão denotadas por µ = E(r t ) e σ 2 = Var(r t ), respectivamente. 19
20 ARCH(m) Um modelo ARCH(m) é definido por r t = σ t ε t onde ε t IID(0, 1) e com variância condicional σ 2 t = α 0 + α 1 r 2 t 1 + α 2 r 2 t α m r 2 t m em que α 0 > 0, α i 0, i = 1,..., m 1 e α m > 0. 20
21 r 2 t é AR(m) Definindo v t = rt 2 σt 2 e substituindo em σt 2 = α 0 + α 1 rt α 2 rt α m rt m, 2 obtemos rt 2 = α 0 + α 1 rt α 2 rt α m rt m 2 + v t. Portanto: r 2 t segue um processo AR(m). v t = r 2 t σ 2 t = σ 2 t (ε 2 t 1) é não Gaussiano, mesmo quando ε t NID(0, 1). 21
22 Observações Na prática, usualmente é suposto que os erros ε t sigam uma distribuição, N(0,1). Ou ainda t-student, t ν, com baixo graus de liberdade ν, ou alguma distribuição que descreva melhor as caudas pesadas de séries financeiras. Os coeficientes α i devem satisfazer certas condições, dependendo do tipo de imposição que colocamos sobre o processo r t. Pela própria definição, valores grandes de r t são seguidos por outros valores grandes da série. 22
23 GARCH(m,n) A variância condicional de modelo GARCH(m,n) é definida por m n σt 2 = α 0 + α i rt i 2 + β j σt j 2 em que α 0 > 0, i=1 j=1 α i 0, i = 1,... m 1 e α m > 0, β i 0, i = 1,... n 1 e β n > 0, Para q = max(m, n) q (α i + β i ) < 1. i=1 Coeficientes positivos dão uma condição suficiente, mas não necessária, para que σ 2 t > 0 (Nelson & Cao, 1992). Como no caso de modelos ARCH, usualmente trabalhamos com a suposição de que os ε t sejam normais ou t-student, ou ainda, uma distribuição de erro generalizada. 23
24 r 2 t é AR(q,n) Definindo v t = r 2 t σ 2 t e substituindo em σt 2 = α 0 + obtemos m n α i rt i 2 + β j σt j 2 i=1 j=1 q n rt 2 = α 0 + (α i + β i )rt i 2 β j v t j + v t i=1 j=1 Portanto: r 2 t segue um processo AR(q,n). v t não é, em geral, um processo i.i.d. 24
25 Modelo ARCH(1) Para investigarmos algumas propriedades dos modelos ARCH(m), vamos considerar o caso especial onde m = 1. Ou seja, r t = σ t ε t com erro ε t iid(0, 1) e variância condicional e parâmetros α 0 > 0 e α 1 > 0. σ 2 t = α 0 + α 1 r 2 t 1 25
26 Média e variância incondicionais Não é difícil verificar que E(r t ) = E[E(r t I t 1 )] = E[E(σ t ε t I t 1 )] = E[σ t E(ε t I t 1 )] = 0, }{{} =0 e que Var(r t ) = E(r 2 t ). Portanto, E(r 2 t ) = E[E(r 2 t I t 1 )] = E[E(σ 2 t ε 2 t I t 1 )] = E[σt 2 E(ε 2 t I t 1 )] = E(σt 2 ) }{{} =1 = E(α 0 + α 1 rt 1) 2 = α 0 + α 1 E(rt 1). 2 26
27 Restrição adicional: 0 < α 1 < 1 Se o processo r t for estacionário de segunda ordem, então, para todo t e k, segue que E(r 2 t ) = E(r 2 t k ). Se µ e σ 2 são média e variância incondicionais do processo r t, então σ 2 = E(r 2 t ) = α 0 + α 1 E(r 2 t 1) = α 0 + α 1 σ 2 e, consequentemente a variância incondicional de r t é Var(r t ) = σ 2 = α 0 1 α 1, implicando que α 0 > 0 e 0 < α 1 < 1. 27
28 Covariâncias incondiconais Cov(r t, r t+k ) = E(r t r t+k ) = E[E(r t r t+k I t+k 1 )] para todo k 1. = E[r t E(r t+k I t+k 1 )] = E[r t E(σ t+k ε t+k I t+k 1 )] = E[r t σ t+k E(ε t+k I t+k 1 )] = 0 }{{} =0 Poranto, r t é uma sequncia de variáveis não correlacionadas (ruído branco), com média zero e variância dada por α 0 /(1 α 1 ). 28
29 Curtose maior que 3 Um dos fatos estilizados é que os retornos apresentam geralmente caudas mais longas, de modo que a curtose é maior do que 3. A curtose, supondo que r t ARCH(1) com ε t NID(0, 1), é dada por K = E(r t 4 ( ) ) 1 α 2 [Var(r t )] 2 = α1 2 > 3 Vemos, pois, que se admitirmos que r t siga um modelo ARCH, as caudas serão mais pesadas do que as da normal, o que é uma propriedade vantajosa do modelo. 29
30 GARCH(1,1) Um modelo bastante usado na prática é o GARCH(1,1), para o qual a volatilidade conditional é expressa como com α 0 > 0 e α 1, β 1 (0, 1). σ 2 t = α 0 + α 1 r 2 t 1 + β 1 σ 2 t 1 Para os modelos GARCH temos as mesmas vantagens e desvantagens dos modelos ARCH: Volatilidades altas são precedidas de retornos ou volatilidades grandes, observando-se os grupos de volatilidades presentes em séries financeiras; Retornos positivos e negativos são tratados de forma similar, já que quadrados dos retornos entram na fórmula da volatilidade. 30
31 Curtose maior que 3 A curtose, supondo que r t GARCH(1,1) com ε t NID(0, 1), é dada por K = E(r t 4 ( ) [E(rt 2 )] 2 = 3 1 (α 1 + β 1 ) 2 ) 1 (α 1 + β 1 ) 2 2α1 2 > 3 Vemos, pois, que se admitirmos que r t siga um modelo GARCH, as caudas serão mais pesadas do que as da normal, o que é uma propriedade vantajosa do modelo. 31
32 Variância incondicional É fácil provar que, supondo que r t GARCH(1,1) com ε t (0, 1), a variância incondicional de r t é Var(r t ) = α 0 1 (α 1 + β 1 ), portanto α 1 + β 1 < 1 é uma restrição adicional. No longo prazo, a volatilidade convergirá para tal zresultado incondicional. 32
33 ARCH/GARCH no R install.packages("fgarch") library(fgarch) data = read.csv("petrobras.csv",header=true) y = diff(log(as.numeric(data[,2]))) fit.arch = garchfit(~garch(1,0),data=y,trace=f,include.mean=false) fit.garch = garchfit(~garch(1,1),data=y,trace=f,include.mean=false) 33
34 fit.arch Title: GARCH Modelling Conditional Distribution: norm Estimate Std. Error t value Pr(> t ) omega 6.440e e <2e-16 *** alpha e e <2e-16 *** --- Signif. codes: 0 *** ** 0.01 * Log Likelihood: normalized:
35 fit.arch Title: GARCH Modelling Conditional Distribution: norm Estimate Std. Error t value Pr(> t ) omega 1.473e e e-06 *** alpha e e < 2e-16 *** beta e e < 2e-16 *** --- Signif. codes: 0 *** ** 0.01 * Log Likelihood: normalized:
36 Fitted standard deviations ARCH(1) Standard deviation /11/00 4/13/04 12/5/07 7/29/11 3/27/15 Days GARCH(1,1) Standard deviation /11/00 4/13/04 12/5/07 7/29/11 3/27/15 Days 36
37 Residual analysis Days Standardized residuals /11/00 4/13/04 12/5/07 7/29/11 3/27/15 ARCH(1) Lag ACF ACF residuals squared Lag Partial ACF PACF residuals squared Normal Q Q Plot Theoretical Quantiles Sample Quantiles Days Standardized residuals /11/00 4/13/04 12/5/07 7/29/11 3/27/15 GARCH(1,1) Lag ACF ACF residuals squared Lag Partial ACF PACF residuals squared Normal Q Q Plot Theoretical Quantiles Sample Quantiles 37
38 Ljung-Box statistic Box.test(res.arch^2,lag=10,type= Ljung ) # Box-Ljung test # data: res.arch^2 # X-squared = , df = 10, p-value < 2.2e-16 Box.test(res.garch^2,lag=10,type= Ljung ) # Box-Ljung test # data: res.garch^2 # X-squared = , df = 10, p-value =
39 Unconditional variances and kurtosis # Sample ARCH(1) GARCH(1,1) #Variance #St.Dev #Kurtosis
Antes 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 maisAula 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 maisAula 17/10/2018 José Luiz Padilha 17 de outubro de 2018
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
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 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 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 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 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 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 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 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 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 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 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 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 maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
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 maisAções de bancos e risco sistêmico
Ações de bancos e risco sistêmico GV INVEST 15 Este artigo descreve um método para a análise tanto da correlação dos retornos de ações de bancos como da velocidade de mudança dessa correlação ambos sendo
Leia mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
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 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 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 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 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 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 maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
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 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 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 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 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 maisEstatística descritiva
Estatística descritiva Para que serve a estatística? Qual o seu principal objectivo? obter conclusões sobre a população usando uma amostra? População Amostragem Amostra Uma ou mais variáveis (X) são observadas
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 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 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 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 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 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 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 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 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 maisXVII SEMEAD Seminários em Administração
XVII SEMEAD Seminários em Administração outubro de 2014 ISSN 2177-3866 MODELAGEM DA VOLATILIDADE EM PERÍODOS DE CRISE PARA O RETORNO DAS AÇÕES DA VALE DO RIO DOCE GUSTAVO CORREIA XAVIER Universidade Federal
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 maisVOLATILIDADE DE PREÇOS DE PRODUTOS AGRÍCOLAS: UMA ANÁLISE COMPARATIVA PARA SOJA, CAFÉ, MILHO E BOI GORDO
VOLATILIDADE DE PREÇOS DE PRODUTOS AGRÍCOLAS: UMA ANÁLISE COMPARATIVA PARA SOJA, CAFÉ, MILHO E BOI GORDO KILMER COELHO CAMPOS (1) ; ROBÉRIO TELMO CAMPOS (2). 1.UFV, VIÇOSA, MG, BRASIL; 2.UFC, FORTALEZA,
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 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 maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
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 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 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 maisANÁLISE DE REGRESSÃO. Ralph S. Silva. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
ANÁLISE DE REGRESSÃO Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências Referências (livros) A Modern Approach to Regression
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
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 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 maisSéries Temporais. Fernando Lucambio. Agosto de Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, , Brasil
Séries rais Autocorrelação Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 AUTOCORRELAÇÃO Uma importante
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 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 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 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 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 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 Definição
Leia maisAGROENERGIA: A QUESTÃO DA VOLATILIDADE DE PREÇOS E O EFEITO ALAVANCAGEM DOS PRODUTOS AGRÍCOLAS KILMER COELHO CAMPOS (1) ; CARLOS ALBERTO PIACENTI (2).
AGROENERGIA: A QUESTÃO DA VOLATILIDADE DE PREÇOS E O EFEITO ALAVANCAGEM DOS PRODUTOS AGRÍCOLAS KILMER COELHO CAMPOS (1) ; CARLOS ALBERTO PIACENTI (2). 1.UFV, VIÇOSA, MG, BRASIL; 2.UNIOESTE, TOLEDO, PR,
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 maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisFICHA DE DISCIPLINA/PROGRAMA
Programa de Pós-Graduação em Economia Mestrado/Doutorado Av. João Naves de Ávila, nº 2121 Campus Stª Mônica Bloco J. CEP 38.400-902 Uberlândia/MG. Telefax: (034) 3239-4315 E-Mail: ppge@ufu.br FICHA DE
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
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 maisMEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS
Universidade Federal do Paraná Departamento de Estatística MEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
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 maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
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 maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisESTATÍSTICA. Ana Paula Fernandes - FAMAT/UFU
ESTATÍSTICA Ana Paula Fernandes - FAMAT/UFU 1 REFERÊNCIAS BIBLIOGRÁFICAS 2 BUSSAB & MORETTIN Quadro! 3 QUANTIS EMPÍRICOS 4 QUANTIL DE ORDEM P OU P-QUANTIL Quantil de ordem p ou p-quantil, indicada por
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 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 maisANOVA com modelos encaixados
ANOVA com modelos encaixados Motivação 1 Testar a significância de β j ( j = 0, 1,, p na presença das demais regressoras, usando o teste t, é trabalho, pois precisa de: ^β e ^Var (^β j = ^σ 2 j c ( j+1(
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
Leia maisPlanejamento de Experimentos Medidas Repetidas
1 / 27 Planejamento de Experimentos Medidas Repetidas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG Exemplo: 2 / 27 3 / 27 Em outras aplicações, a resposta de cada unidade experimental é medida
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 maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisH11 GESTÃO DE RECURSOS LTDA.
H11 GESTÃO DE RECURSOS LTDA. Empresa: Documento: H11 Gestão de Recursos Ltda. Versão anterior: 30/09/2015 Atualização: 18/02/2016 Data Emissão / Revisão n.º revisão: 18/02/2016 ver. 2 Página: 2 Introdução:
Leia maisAULA 11 Teste de Hipótese
1 AULA 11 Teste de Hipótese Ernesto F. L. Amaral 20 de setembro de 2012 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro: LTC. Capítulo
Leia maisPlanejamento e Pesquisa 1. Dois Grupos
Planejamento e Pesquisa 1 Dois Grupos Conceitos básicos Comparando dois grupos Testes t para duas amostras independentes Testes t para amostras pareadas Suposições e Diagnóstico Comparação de mais que
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 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 maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisDISCIPLINA: ESTATÍSTICA I (CÓD. ENEC60015) PERÍODO: 3º PERÍODO
PLANO DE AULA DISCIPLINA: ESTATÍSTICA I (CÓD. ENEC60015) PERÍODO: 3º PERÍODO TOTAL DE SEMANAS: 20 SEMANAS TOTAL DE ENCONTROS: 40 AULAS Aulas Conteúdos/ Matéria Tipo de aula Textos, filmes e outros materiais
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
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 maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisMODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS (CEFET-MG).
MODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO. Introdução TECNOLÓGICA DE MINAS GERAIS (CEFET-MG). Luciane Teixeira Passos Giarola Fátima Oliveira Takenaka
Leia maisMemória longa na volatilidade do Índice BOVESPA: uma análise utilizando modelos da classe ARCH
Luiz Eduardo Gaio e Thelma Sáfadi Memória longa na volatilidade do Índice BOVESPA: uma análise utilizando modelos da Luiz Eduardo Gaio Graduando em Administração pela Universidade Federal de Lavras, bolsista
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia mais