Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo

Detalhes bibliográficos
Autor(a) principal: Hissanaga, Hugo Mamoru Aoki
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/96/96131/tde-27102017-102841/
Resumo: Apesar da Análise de Componentes Principais (PCA) ser um dos métodos mais importantes na análise da estrutura a termo de taxa de juros, há fortes indícios de não ser adequada para estimar fatores da curva de juros quando há presença de dependência temporal e erros de medida. Para corrigir esses problemas é indicado utilizar a matriz de covariância de longo prazo, extraindo a correta estrutura de covariância presente nestes processos. Neste trabalho, mostramos que realizar a previsão fora da amostra da curva de taxa de juros com o método de Análise de Componentes Principais (PCA) utilizando como base a matriz de covarância de longo prazo (LRCM) parece ser mais acurada comparada a PCA com base na matriz de covariância amostral.
id USP_7be1287aac65c51c1f15120c5bdae7ec
oai_identifier_str oai:teses.usp.br:tde-27102017-102841
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazoForecast of the interest curve with principal components analysis using long-term covariance matrixAnálise de componentes principaisCurva de jurosForecastingInterest curvePrevisãoPrincipal components analysisRobustezRobustnessApesar da Análise de Componentes Principais (PCA) ser um dos métodos mais importantes na análise da estrutura a termo de taxa de juros, há fortes indícios de não ser adequada para estimar fatores da curva de juros quando há presença de dependência temporal e erros de medida. Para corrigir esses problemas é indicado utilizar a matriz de covariância de longo prazo, extraindo a correta estrutura de covariância presente nestes processos. Neste trabalho, mostramos que realizar a previsão fora da amostra da curva de taxa de juros com o método de Análise de Componentes Principais (PCA) utilizando como base a matriz de covarância de longo prazo (LRCM) parece ser mais acurada comparada a PCA com base na matriz de covariância amostral.Although Principal Component Analysis (PCA) is one of the most common methods to estimate the structure of interest rate volatility, there are strong indications that it is not adequate to estimate interest rate factors when there is temporal dependence and measurement errors. To correct these problems it is necessary to use the longterm covariance matrix, to extract the correct covariance structure present in these processes. In this work, we show that performing the out-of-sample forecasting of the interest rate curve with the Principal Component Analysis (PCA) method based on the long-term covariance matrix (LRCM) seems to be more accurate compared to PCA based on sample covariance matrix.Biblioteca Digitais de Teses e Dissertações da USPLaurini, Marcio PolettiHissanaga, Hugo Mamoru Aoki2017-08-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/96/96131/tde-27102017-102841/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2018-07-19T17:03:58Zoai:teses.usp.br:tde-27102017-102841Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212018-07-19T17:03:58Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
Forecast of the interest curve with principal components analysis using long-term covariance matrix
title Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
spellingShingle Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
Hissanaga, Hugo Mamoru Aoki
Análise de componentes principais
Curva de juros
Forecasting
Interest curve
Previsão
Principal components analysis
Robustez
Robustness
title_short Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
title_full Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
title_fullStr Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
title_full_unstemmed Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
title_sort Previsão da curva de juros com análise de componentes principais utilizando matriz de covariâcia de longo prazo
author Hissanaga, Hugo Mamoru Aoki
author_facet Hissanaga, Hugo Mamoru Aoki
author_role author
dc.contributor.none.fl_str_mv Laurini, Marcio Poletti
dc.contributor.author.fl_str_mv Hissanaga, Hugo Mamoru Aoki
dc.subject.por.fl_str_mv Análise de componentes principais
Curva de juros
Forecasting
Interest curve
Previsão
Principal components analysis
Robustez
Robustness
topic Análise de componentes principais
Curva de juros
Forecasting
Interest curve
Previsão
Principal components analysis
Robustez
Robustness
description Apesar da Análise de Componentes Principais (PCA) ser um dos métodos mais importantes na análise da estrutura a termo de taxa de juros, há fortes indícios de não ser adequada para estimar fatores da curva de juros quando há presença de dependência temporal e erros de medida. Para corrigir esses problemas é indicado utilizar a matriz de covariância de longo prazo, extraindo a correta estrutura de covariância presente nestes processos. Neste trabalho, mostramos que realizar a previsão fora da amostra da curva de taxa de juros com o método de Análise de Componentes Principais (PCA) utilizando como base a matriz de covarância de longo prazo (LRCM) parece ser mais acurada comparada a PCA com base na matriz de covariância amostral.
publishDate 2017
dc.date.none.fl_str_mv 2017-08-25
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://www.teses.usp.br/teses/disponiveis/96/96131/tde-27102017-102841/
url http://www.teses.usp.br/teses/disponiveis/96/96131/tde-27102017-102841/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257462879551488

Registros relacionados