Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set
Autor(a) principal: | |
---|---|
Data de Publicação: | 2012 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/70011 |
Resumo: | Esta dissertação analisa a questão da seleção de modelos GARCH multivariados em termos da perfomance de previsão da matriz de covariância condicional. A aplicação empírica é realizada com 7 retornos de índices de ações envolvendo um conjunto de 34 especificações de modelos para os quais computamos as previsões da variância condicional um passo a frente para uma amostra com 60 observações para cada especificação dos modelos GARCH multivariados. A comparação entre os modelos é baseada no procedimento Model Confidence Set (MCS) avaliado através de duas funções perdas robustas a proxies de volatilidade imperfeitas. O MCS é um procedimento que permite comparar vários modelos simultaneamente em termos de sua habilidade preditiva e determinar um conjunto de modelos estatisticamente semelhantes em termos de previsão, dado um nível de confiança. |
id |
URGS_843d8729aab023f3868d4f8a2e876c0a |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/70011 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Borges, Bruna KasprzakZiegelmann, Flavio Augusto2013-04-05T01:48:20Z2012http://hdl.handle.net/10183/70011000874410Esta dissertação analisa a questão da seleção de modelos GARCH multivariados em termos da perfomance de previsão da matriz de covariância condicional. A aplicação empírica é realizada com 7 retornos de índices de ações envolvendo um conjunto de 34 especificações de modelos para os quais computamos as previsões da variância condicional um passo a frente para uma amostra com 60 observações para cada especificação dos modelos GARCH multivariados. A comparação entre os modelos é baseada no procedimento Model Confidence Set (MCS) avaliado através de duas funções perdas robustas a proxies de volatilidade imperfeitas. O MCS é um procedimento que permite comparar vários modelos simultaneamente em termos de sua habilidade preditiva e determinar um conjunto de modelos estatisticamente semelhantes em termos de previsão, dado um nível de confiança.This paper considers the question of the selection of multivariate GARCH models in terms of covariance matrix forecasting. In the empirical application we consider 7 series of returns and compare a set of 34 model specifications based on one-step-ahead conditional variance forecasts over a sample with 60 observations. The comparison between models is performed with the Model Confidence Set (MCS) procedure evaluated using two loss functions that are robust against imperfect volatility proxies. The MCS is a procedure that allows both a multiple model comparison in terms of forecasting accuracy and the determination of a model set composed of statistically equivalent models, under a confidence level.application/pdfporMercado financeiroInferência estatísticaEstimaçãoMultivariate GARCHVariance matrix forecastingLoss functionModel confidence setAvaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Setinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulFaculdade de Ciências EconômicasPrograma de Pós-Graduação em EconomiaPorto Alegre, BR-RS2012mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000874410.pdf000874410.pdfTexto completoapplication/pdf655933http://www.lume.ufrgs.br/bitstream/10183/70011/1/000874410.pdf39d34076664281a717a6f15067fccbe1MD51TEXT000874410.pdf.txt000874410.pdf.txtExtracted Texttext/plain70984http://www.lume.ufrgs.br/bitstream/10183/70011/2/000874410.pdf.txt866c459840b4d9b3f73566a109ac66ccMD52THUMBNAIL000874410.pdf.jpg000874410.pdf.jpgGenerated Thumbnailimage/jpeg1059http://www.lume.ufrgs.br/bitstream/10183/70011/3/000874410.pdf.jpg4343bc3a6425b121762beb91eb0576a1MD5310183/700112018-10-15 08:18:24.675oai:www.lume.ufrgs.br:10183/70011Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-15T11:18:24Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
title |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
spellingShingle |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set Borges, Bruna Kasprzak Mercado financeiro Inferência estatística Estimação Multivariate GARCH Variance matrix forecasting Loss function Model confidence set |
title_short |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
title_full |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
title_fullStr |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
title_full_unstemmed |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
title_sort |
Avaliação da habilidade preditiva entre modelos Garch multivariados : uma análise baseada no critério Model Confidence Set |
author |
Borges, Bruna Kasprzak |
author_facet |
Borges, Bruna Kasprzak |
author_role |
author |
dc.contributor.author.fl_str_mv |
Borges, Bruna Kasprzak |
dc.contributor.advisor1.fl_str_mv |
Ziegelmann, Flavio Augusto |
contributor_str_mv |
Ziegelmann, Flavio Augusto |
dc.subject.por.fl_str_mv |
Mercado financeiro Inferência estatística Estimação |
topic |
Mercado financeiro Inferência estatística Estimação Multivariate GARCH Variance matrix forecasting Loss function Model confidence set |
dc.subject.eng.fl_str_mv |
Multivariate GARCH Variance matrix forecasting Loss function Model confidence set |
description |
Esta dissertação analisa a questão da seleção de modelos GARCH multivariados em termos da perfomance de previsão da matriz de covariância condicional. A aplicação empírica é realizada com 7 retornos de índices de ações envolvendo um conjunto de 34 especificações de modelos para os quais computamos as previsões da variância condicional um passo a frente para uma amostra com 60 observações para cada especificação dos modelos GARCH multivariados. A comparação entre os modelos é baseada no procedimento Model Confidence Set (MCS) avaliado através de duas funções perdas robustas a proxies de volatilidade imperfeitas. O MCS é um procedimento que permite comparar vários modelos simultaneamente em termos de sua habilidade preditiva e determinar um conjunto de modelos estatisticamente semelhantes em termos de previsão, dado um nível de confiança. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012 |
dc.date.accessioned.fl_str_mv |
2013-04-05T01:48:20Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/70011 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000874410 |
url |
http://hdl.handle.net/10183/70011 |
identifier_str_mv |
000874410 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/70011/1/000874410.pdf http://www.lume.ufrgs.br/bitstream/10183/70011/2/000874410.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/70011/3/000874410.pdf.jpg |
bitstream.checksum.fl_str_mv |
39d34076664281a717a6f15067fccbe1 866c459840b4d9b3f73566a109ac66cc 4343bc3a6425b121762beb91eb0576a1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085252109959168 |