Previsão de volatilidade realizada via modelos HAR e métodos de machine learning

• Autor(a) principal: Dorneles, Andressa de Oliveira
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/262063
• topic: Volatilidade; Previsão; Aprendizado de máquina; Realized volatility; Forecasting; Heterogeneous autoregressive model; Machine learning

Este estudo propõe realizar previsões para volatilidade realizada diária e comparar as previsões obtidas por diferentes métodos de machine learning e por um modelo benchmark. Os métodos utilizados são os seguintes: regressão Ridge, Least absolute shrinkage and selection operator (LASSO), adaptive LASSO (AdaLASSO), Elastic Net e Random forest. Já o modelo benchmark utilizado é o Heterogeneous Autoregressive Model (HAR), com estimação via Mínimos Quadrados. O objetivo principal do estudo é entender quais propostas implicam em melhores resultados dependendo do período analisado. Os períodos considerados foram pré-pandemia de COVID-19, ínicio da pandemia, durante a sua ocorrência e também foi analisado o período total (sem distinção do cenário pandêmico). Para entender quais propostas se destacaram nos respectivos períodos, foi usado o Model confidence set (MCS). Com as análises do MCS, pôde-se concluir que o método Random forest foi o que mais se destacou.