Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH

Detalhes bibliográficos
Autor(a) principal: Ferreira, Valeria Aparecida Martins
Data de Publicação: 2001
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/55/55134/tde-24012018-112732/
Resumo: Neste trabalho é descrito uma seqüência de procedimentos para estimar parâmetros e selecionar ordem de modelos Auto-Regressivos com heterocedasticidade, ARCH(p), e Auto- Regressivos generalizados, GARCH(p,q). As estimativas são obtidas utilizando duas técnicas: a inferência clássica e a bayesiana em conjunto com simulação de Monte Carlo em Cadeia de Markov (MCMC). Na análise bayesiana utilizamos densidades a priori normais para os parâmetros do modelo. Os métodos desenvolvidos foram aplicados em duas séries geradas e em três séries do mercado financeiro: Índice Bovespa, Telebrás e Cotação em Dólar Americano da moeda Iene Japonês. Em geral, as estimativas de máxima verossimilhança e bayesiana apresentaram resultados próximos. Porém, em algumas séries, o intervalo com 95% de confiança para certos parâmetros do modelo apresentou valores negativos, o que viola as restrições impostas aos parâmetros dos modelos ARCH(p), destacando a vantagem da abordagem bayesiana.
id USP_f823d4ecc719f4888773e8fd4399ff6d
oai_identifier_str oai:teses.usp.br:tde-24012018-112732
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCHNot availableNão disponívelNot availableNeste trabalho é descrito uma seqüência de procedimentos para estimar parâmetros e selecionar ordem de modelos Auto-Regressivos com heterocedasticidade, ARCH(p), e Auto- Regressivos generalizados, GARCH(p,q). As estimativas são obtidas utilizando duas técnicas: a inferência clássica e a bayesiana em conjunto com simulação de Monte Carlo em Cadeia de Markov (MCMC). Na análise bayesiana utilizamos densidades a priori normais para os parâmetros do modelo. Os métodos desenvolvidos foram aplicados em duas séries geradas e em três séries do mercado financeiro: Índice Bovespa, Telebrás e Cotação em Dólar Americano da moeda Iene Japonês. Em geral, as estimativas de máxima verossimilhança e bayesiana apresentaram resultados próximos. Porém, em algumas séries, o intervalo com 95% de confiança para certos parâmetros do modelo apresentou valores negativos, o que viola as restrições impostas aos parâmetros dos modelos ARCH(p), destacando a vantagem da abordagem bayesiana.In this work a sequence of procedures is described to estimate parameters, to select order and to forecast Autoregressive Conditional Heteroskedasticity ARCH(p) and generalized ARCH, GARCH(p,q), modeis. The estimates are obtained by using both classical inference techniques via maximum likelihood estimation and Bayesian inference approach jointly with simulation of Monte Cano Markov Chain (MCMC). In the Bayesian analysis we use normal prior densities for the parameters of the model. The applications for the developed methods were made in a generated series and iii three series of the Brazilian finance market: Index Bovespa, Telebrás and Quotation in American Doilar of the Japanese Yen. In general, the maximum likelihood and Bayesian estimates are similar. However, in some series, the 95% confidence intervais for some parameters of the model, presented negative values, violating the constraints imposed to the parameters of the ARCH(p) modeis, highlighting certain advantage of the Bayesian approach.Biblioteca Digitais de Teses e Dissertações da USPAndrade Filho, Marinho Gomes deFerreira, Valeria Aparecida Martins2001-05-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/55/55134/tde-24012018-112732/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/openAccesspor2018-07-19T20:50:39Zoai:teses.usp.br:tde-24012018-112732Biblioteca 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:27212018-07-19T20:50:39Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
Not available
title Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
spellingShingle Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
Ferreira, Valeria Aparecida Martins
Não disponível
Not available
title_short Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
title_full Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
title_fullStr Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
title_full_unstemmed Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
title_sort Uso de MCMC na abordagem Bayesiana de modelos ARCH e GARCH
author Ferreira, Valeria Aparecida Martins
author_facet Ferreira, Valeria Aparecida Martins
author_role author
dc.contributor.none.fl_str_mv Andrade Filho, Marinho Gomes de
dc.contributor.author.fl_str_mv Ferreira, Valeria Aparecida Martins
dc.subject.por.fl_str_mv Não disponível
Not available
topic Não disponível
Not available
description Neste trabalho é descrito uma seqüência de procedimentos para estimar parâmetros e selecionar ordem de modelos Auto-Regressivos com heterocedasticidade, ARCH(p), e Auto- Regressivos generalizados, GARCH(p,q). As estimativas são obtidas utilizando duas técnicas: a inferência clássica e a bayesiana em conjunto com simulação de Monte Carlo em Cadeia de Markov (MCMC). Na análise bayesiana utilizamos densidades a priori normais para os parâmetros do modelo. Os métodos desenvolvidos foram aplicados em duas séries geradas e em três séries do mercado financeiro: Índice Bovespa, Telebrás e Cotação em Dólar Americano da moeda Iene Japonês. Em geral, as estimativas de máxima verossimilhança e bayesiana apresentaram resultados próximos. Porém, em algumas séries, o intervalo com 95% de confiança para certos parâmetros do modelo apresentou valores negativos, o que viola as restrições impostas aos parâmetros dos modelos ARCH(p), destacando a vantagem da abordagem bayesiana.
publishDate 2001
dc.date.none.fl_str_mv 2001-05-09
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/55/55134/tde-24012018-112732/
url http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24012018-112732/
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_ 1815257381680971776