• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.96.2021.tde-01102021-091638
Documento
Autor
Nombre completo
Leonardo Ieracitano Vieira
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
Ribeirão Preto, 2021
Director
Tribunal
Laurini, Marcio Poletti (Presidente)
Fernandes, Marcelo
Medeiros, Marcelo Cunha
Perlin, Marcelo Scherer
Título en portugués
Volatilidade realizada multivariada: uma análise via aprendizado de máquina para dados do mercado brasileiro
Palabras clave en portugués
Alta dimensão
Aprendizado de máquina
Volatilidade realizada
Resumen en portugués
O presente trabalho é um exercício preditivo para a dinâmica da matriz de covariância incondicional de ativos do mercado brasileiro. Levamos em consideração métodos distintos para o cálculo da matriz, esquivando-se da matriz de covariância amostral e avaliamos o impacto preditivo no uso de regressões com encolhimento na estimação da matriz de covariância explicada pelo seu passado - um formato autorregressivo, portanto. Diferentemente do mundo univariado, o estudo de matriz de covariância tornou-se custoso devido à maldição da dimensionalidade. Tradicionalmente, via VAR, o exercício proposto traria problemas de especificação e também de dimensão, devido ao grande número de covariadas. Os resultados encontrados mostram que não necessariamente temos pior desempenho preditivo ao reduzir o número de séries, mas com a metodologia do MCS não rejeitamos a hipótese de mesma habilidade preditiva entre modelos que selecionam variáveis e que não o fazem. Diante do exercício proposto investigamos quais dificuldades e padrões estão inseridos nos dados no contexto do mercado brasileiro: trata-se de um mercado pouco líquido e que mesmo em ativos mais negociados temos problemas de dados faltantes e de concentração setorial nos ativos mais negociados. Do ponto de vista econômico encontramos resultados em linha com a literatura de referência, mostrando maior dinâmica intra setorial para processos de variância e do ponto de vista preditivo não encontramos um padrão claro para os processos de covariância.
Título en inglés
Multivariate realized volatility: an machine learning analysis for Brazilian market data
Palabras clave en inglés
High dimension
Machine learning
Realized volatility
Resumen en inglés
The present work is a predictive exercise for the unconditional covariance matrix dynamics of Brazilian market assets. We consider different methods for calculating the matrix, dodging the sample covariance matrix, and evaluate the predictive impact of using shrinkage regressions in estimating the covariance matrix explained by its past - an autoregressive format, therefore. Unlike the univariate world, the covariance matrix study has become costly due to the curse of dimensionality. Traditionally, via VAR, the proposed exercise would bring specification and dimension problems, due to the large number of covariates. The results found show that we do not necessarily have a worse predictive performance when reducing the number of series, but with the MCS methodology we do not reject the hypothesis of the same predictive ability between models that select variables and that do not. In view of the proposed exercise, we investigate which difficulties and patterns are inserted in the data in the context of the Brazilian market: it is a little liquid market and that even in the most traded assets we have problems with missing data and sector concentration in the most traded assets. From an economic point of view, we found results in line with the reference literature, showing greater intra-sector dynamics for processes of variance and, from a predictive point of view, we did not find a clear pattern for the processes of covariance.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2021-10-20
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2024. Todos los derechos reservados.