Esta dissertação tem como objetivo avaliar e comparar o desempenho do algoritmo No-U-Turn Sampler (NUTS), implementado no software Stan, na estimação dos parâmetros de modelos de volatilidade estocástica com alavancagem baseados em mistura de escala da distribuição normal assimétrica. Esses modelos SV conseguem capturar simultaneamente características importantes das séries de retornos financeiros, como efeito de alavancagem, caudas pesadas e assimetria. Os resultados dos estudos de simulação mostram que, de acordo com as medidas de viés e raiz quadrada do erro quadrático médio (RMSE), o algoritmo NUTS apresenta um bom desempenho. Ao comparar a abordagem de amostragem do NUTS com a do pacote stochvol, observamos que o stochvol apresenta tempos de execução menores, mas o NUTS supera essa abordagem em termos de tamanho efetivo da amostra. Além disso, propomos o uso da técnica de Validação Cruzada Leave-Future-Out (LFO-CV) para seleção de modelos de volatilidade estocástica e avaliamos o desempenho de critérios de informação e técnicas de validação cruzada para seleção de modelos. Finalmente, aplicamos a metodologia desenvolvida a séries de retornos reais.

This dissertation aims to evaluate and compare the performance of the No-U-Turn Sampler (NUTS) algorithm, implemented in the Stan software, in estimating the parameters of stochastic volatility models with leverage based on scale mixtures of the skew-normal distribution. These SV models can simultaneously capture important features of financial return series, such as leverage effect, heavy tails, and asymmetry. The results of simulation studies show that, according to bias and root mean squared error (RMSE) measures, the NUTS algorithm performs well. When comparing the NUTS sampling approach with that of the stochvol package, we observe that stochvol has faster execution times, but NUTS outperforms it in terms of effective sample size. Additionally, we propose the use of the Leave-Future-Out Cross-Validation (LFO-CV) technique for selecting stochastic volatility models and evaluate the performance of information criteria and cross-validation techniques for model selection. Finally, we apply the developed methodology to real return series.