Ensaios em econometria aplicada a finanças e macroeconomia utilizando a abordagem de regressão MIDAS

• Autor(a) principal: Santos, Douglas Gomes dos
• Data de Publicação: 2014
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/103954
• topic: Econometria; Volatilidade; Ativos financeiros; Finanças; MIDAS regression approach; Nonlinear MIDAS models; Forecasting; Volatility; Economic activity

A abordagem de regressão MIDAS (Mixed Data Sampling), proposta por Ghysels et al. (2004), permite relacionar diretamente variáveis em freqüências distintas. Esta característica é particularmente atraente quando se deseja utilizar os dados nas freqüências em que são disponibilizados, bem como quando o objetivo é calcular previsões multi-períodos à frente. Nesta tese, utiliza-se a abordagem de regressão MIDAS em três ensaios em que são realizadas aplicações empíricas nas áreas de finanças e macroeconomia. Os três ensaios são de caráter comparativo. Com aplicações em diferentes contextos de previsão, objetiva-se contribuir fornecendo evidências empíricas comparativas. No primeiro ensaio, são explorados resultados comparativos no contexto de previsão de volatilidade multi-períodos. Compara-se a abordagem MIDAS com dois métodos amplamente utilizados no cálculo de previsões multi-períodos à frente: as abordagens direta e iterada. Seus desempenhos relativos são investigados em um estudo de Monte Carlo e em um estudo empírico em que são computadas previsões de volatilidade para horizontes de até 60 dias à frente. Os resultados do estudo de Monte Carlo indicam que a abordagem MIDAS fornece as melhores previsões para os horizontes iguais ou superiores a 15 dias. Em contraste, as previsões geradas a partir da abordagem iterada são superiores nos horizontes de 5 e 10 dias à frente. No estudo empírico, utilizando-se retornos diários dos índices S&P 500 e NASDAQ, os resultados não são tão conclusivos, mas sugerem um melhor desempenho para a abordagem iterada. Todas as análises são fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. Combinações das previsões dos referidos modelos também são consideradas. São utilizados retornos intradiários do IBOVESPA no cálculo de medidas de volatilidade, tais como variância realizada, variação potente realizada e variação bipotente realizada, sendo estas medidas usadas como regressores em ambos os modelos. Adicionalmente, utiliza-se um procedimento não paramétrico na estimação das medidas de variabilidade dos componentes contínuo e de saltos do processo de variação quadrática. Estas medidas são utilizadas como regressores separados em especificações MIDAS e HAR. Quanto às evidências empíricas, os resultados em termos de erro quadrático médio sugerem que regressores baseados em medidas de volatilidade robustas a saltos (i.e., variação bipotente realizada e variação potente realizada) são melhores em prever volatilidade futura. Entretanto, observa-se que, em geral, as previsões baseadas nestes regressores não são estatisticamente diferentes daquelas baseadas na variância realizada (o regressor benchmark). Além disso, observa-se que, de modo geral, o desempenho relativo das três abordagens de previsão (i.e., MIDAS, HAR e combinação de previsões) é estatisticamente equivalente. No terceiro ensaio, busca-se comparar os modelos MS-MIDAS (Markov-Switching MIDAS) e STMIDAS (Smooth Transition MIDAS) em termos de acurácia preditiva. Para tanto, realiza-se um exercício de previsão em tempo real em que são geradas previsões fora da amostra para o crescimento do PIB trimestral dos Estados Unidos com o uso de indicadores financeiros mensais. Neste exercício, também são considerados modelos lineares MIDAS e outros modelos de previsão (lineares e não-lineares) que incluem informação dos indicadores (via agregação temporal das observações mensais) para fins comparativos de desempenho preditivo. A partir dos resultados do estudo empírico, observa-se que, de modo geral, os modelos MS-MIDAS fornecem previsões mais acuradas que os modelos STMIDAS.