Séries Temporais, Econometria e Finanças

This paper develops a method for estimating parameters of a vector autoregression (VAR) observed in white noise. The estimation method assumes the noise variance matrix is known and does not require any iterative process. This study provides consistent estimators and the asymptotic distribution of the parameters required for conducting tests of Granger causality. The applicability and usefulness of the proposed approach are illustrated using a functional magnetic resonance imaging dataset. The application is not presented in this extended abstract.

In this paper we analyze the extremal events using generalized Pareto distributions (GPD),
allowing the parameters of GPD to vary with time. We use a mixture model that combines
a nonparametric approach for the center and a GPD for the tail of distributions, in which the
uncertainty about the threshold is explicitly considered. We introduce the use of dynamic
linear model (DLM), a very general class of time series models, to model the shape and
scale parameters changes across time. Posterior inference is performed through Markov
Chain Monte Carlo (MCMC) methods. Simulations are carried out in order to analyze
the performance of our proposed model. We also apply the proposed model to three real
financial time series: the Brazilian Vale do Rio Doce, Petrobrás and BOVESPa index, all of
which exhibit several extreme events.

Esse estudo examina a relação de equilíbrio entre consumo de eletricidade, força de trabalho e crescimento econômico no Brasil durante o período de 1980-2004 em estrutura multivariada de cointegração e causalidade. O teste de causalidade de Engle-Granger (1987) indica uma forte evidência de causalidade unidirecional do consumo de eletricidade para o crescimento econômico, implicando que o Brasil é uma nação dependente de energia e que políticas conservadoras de energia terão um efeito adverso no crescimento econômico

Neste trabalho, utilizando cópulas condicionais tempo-variantes como introduzido em Patton (2006), propomos uma nova abordagem para mensurar a dinâmica da dependência incorporando a ela uma mudança markoviana. Ou seja, o parâmetro de dependência foi permitido variar deterministicamente, de acordo com uma equação de evolução, e também de acordo com um processo estocástico de Markov, onde o termo de intercepto da equação de evolução da dependência segue uma cadeia de Markov de primeira ordem com dois regimes. Foram feitas algumas simulações de Monte Carlo para comparar os modelos com e sem mudança de regime e uma aplicação do modelo proposto a dados reais, onde o erro padrão para as estimativas foram computados via block bootstrap.

Neste trabalho, busca-se encontrar e ajustar um modelo de séries temporais que se ajuste satisfatoriamente aos dados da série financeira dos valores das ações da Petrobrás, possibilitando, assim, um estudo do comportamento e dos fatores relevantes da série e a previsão de dados futuros da mesma. Após um tratamento e ajuste dos dados, um levantamento de acontecimentos e fatos importantes foi realizado, para identificar possíveis causas das repentinas mudanças na conduta dos dados, variações essas identificadas graficamente. Foram selecionados para estudo dois modelos: GARCH, um modelo não-linear, e EWMA, um modelo de média móvel exponencialmente ponderada. Ambos foram modelados e a análise da eficiência do ajuste da série foi realizada por método gráfico, utilizando análise de resíduos, com gráficos de dispersão e de autocorrelação. O estudo identificou que um dos modelos apresentava um melhor ajuste para a série de dados em estudo do que o outro, sendo então realizada a previsão para alguns próximos valores da série temporal a partir deste modelo, que apresenta uma maior capacidade de absorção das componentes das séries, como a volatilidade, nas suas modelagens; e também pelo seu histórico de melhores ajustes em séries temporais financeiras.

Neste trabalho serão apresentados os aspectos teóricos e práticos de uma classe de modelos heteroscedásticos condicionais, mais conhecidos como modelos da família GARCH (generalized autoregressive conditional heteroscedasticity). A proposta é verificar se tais modelos, largamente utilizado em cenários financeiros, podem ser também utilizados no âmbito meteorológico, trazendo resultados satisfatórios, consistentes e representativos para previsões de volatilidade a curto prazo de variáveis que caracterizam o clima. Serão feitos dois enfoques de estimação: frequentista e bayesiano, apresentando suas aplicabilidades e verificando qual dentre as diferentes combinações de modelos melhor se ajusta à cada uma de seis séries de retornos de extremos climáticos fornecidas pelo Instituto Nacional de Meteorologia (INMET). Salienta-se aqui o forte uso de recursos computacionais na construção dos algoritmos necessários para a modelagem estatística, todos programados em R, devido à inexistência de ferramentas específicas em pacotes de tal linguagem. Palavras-chave: Autoregressive Conditional Heteroskedasticity, Generalized Autoregressive Conditional Heteroskedasticity, Extremos Climáticos, Inferência Bayesiana, métodos MCMC.

De uma forma geral, o início da crise econômica de 2008 foi marcado pela situação de pânico instaurada em muitas instituições financeiras, dado o alto risco de insolvência em que foram submetidas. Mesmo com a injeção de grandes quantias monetárias, o risco de insolvência continuou em patamares elevados, uma vez que bilhões em ativos podres ainda continuavam nos livros dos bancos. Este trabalho tem por objetivo criar uma função com base no descasamento entre ativos e passivos que indique a valor presente o risco de insolvência em que determinada instituição está submetida. Isso será feito com o intuito de fornecer aos analistas de mercado uma nova ferramenta para análise e mensuração do risco de insolvência de instituições financeiras.

Analisamos a dinâmica temporal de velocidade de vento no Nordeste brasileiro usando método Multifractal Detrended Fluctuation Analysis (MF-DFA). Os dados foram obtidos a partir dos registros de velocidade de vento nas estações meteorológicas do Instituto Nacional de Meteorologia - INMET, durante o período de 01/03/2008 até 01/03/2010. Calculamos os
expoentes de escala generalizados h(q) e observamos uma função decrescente, indicando que a dinâmica da velocidade do vento na região estudada representa um processo multifractal, característica de vários fenômenos climáticos.

Este trabalho faz uma comparação dos modelos de volatilidade determinística, pelo emprego dos modelos GARCH, em relação aos modelos de volatilidade estocástica. Existem diferentes modelos de volatilidade, cada um deles tenta uma melhor descrição das séries financeiras ao longo de sua trajetória observada e apreender suas características, como: clusters de volatilidade, assimetria e efeito “alavancagem”. Não existe um único modelo de volatilidade que seja o melhor em todas as situações, pois as propriedades das séries financeiras são distintas em termos de volatilidade, algumas mais voláteis que outras, e a volatilidade de uma mesma série se altera ao longo do tempo. Para a comparação dos modelos uso as séries financeiras com díspares graus de instabilidade: a taxa de câmbio, índice BOVESPA e os preços da soja em grão, empregando o backtest para o valor em risco gerado pelos distintos modelos. Como resultado, todos os modelos GARCH e de volatilidade estocástica estacionários se enquadraram no VaR com nível de confiança que foi especificado (95%) sobre as distintas séries financeiras.

O modelo "Open loop threshold autoregressive" - TARSO é um tipo de modelo usado para modelar séries não lineares. Esses modelos são úteis na detecção de propriedades observadas em séries temporais como ciclos limites e "jump phenomena". O progresso computacional vem facilitando a utilização desses modelos em larga escala. Este trabalho se propõe, por meio de um estudo de simulação, estabelecer uma rotina computacional em R para análise bayesiana de modelos threshold.