• 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
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.96.2021.tde-24092021-154707
Documento
Autor
Nome completo
Pedro Antonio Sá Barreto de Lima
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
Ribeirão Preto, 2021
Orientador
Banca examinadora
Laurini, Marcio Poletti (Presidente)
Dario, Alan de Genaro
Gomes, Fabio Augusto Reis
Saporito, Yuri Fahham
Título em inglês
Forecasting sovereign CDS returns via deep learning
Palavras-chave em inglês
Deep learning
Recurrent neural networks
Sovereign credit default swap
Time series forecasting
Resumo em inglês
This paper is an empirical exercise of forecasting for a class of credit derivatives known as sovereign credit default swaps. Utilizing non-linear and non-parametric machine learning techniques termed Deep Learning, this study was made utilizing daily emerging country data and a set of financial and macroeconomic indicators as features. The non-linear nature of the financial derivative studied here suggests that this novel technique can better capture data behavior compared to a baseline random walk model. A Grid Search Cross-validation is conducted to estimate the hyperparameters of the model. To evaluate the predictive out of sample forecasting is utilized deterministic and statistical metrics concluding that there is a predictive gain utilizing this technique.
Título em português
Previsão de retornos de CDS soberanos por meio de aprendizagem profunda
Palavras-chave em português
Credit default swap soberano
Previsão para série de tempo
Redes neurais profundas
Redes neurais recorrentes
Resumo em português
Este artigo é um exercício empírico de previsão para uma classe de derivativos de crédito conhecida como credit default swap soberano. Utilizando técnicas de aprendizado de máquina não lineares e não paramétricas denominadas Redes Neurais Profundas, este estudo foi feito usando dados diários de países emergentes e um conjunto de indicadores financeiros e macroeconômicos como variáveis preditivas. A natureza não linear do derivado financeiro estudado aqui sugere que esta técnica pode capturar melhor o comportamento dos dados em comparação com um modelo de passeio aleatório, que foi utilizado para ser base comparativa. Uma validação cruzada utilizando grid search é conduzida para estimar os hiperparâmetros do modelo. Para avaliar a previsão fora da amostra, são utilizadas métricas determinísticas e estatísticas, concluindo que há um ganho preditivo usando esta técnica.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-10-06
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.