1 |
[en] MEAN AND REALIZED VOLATILITY SMOOTH TRANSITION MODELS APPLIED TO RETURN FORECASTING AND AUTOMATIC TRADING / [pt] MODELOS DE TRANSIÇÃO SUAVE PARA MÉDIA E VOLATILIDADE REALIZADA APLICADOS À PREVISÃO DE RETORNOS E NEGOCIAÇÃO AUTOMÁTICACAMILA ROSA EPPRECHT 30 March 2009 (has links)
[pt] O principal objetivo desta dissertação é comparar o desempenho de modelos
lineares e não-lineares de previsão de retornos de 23 ativos do mercado acionário
americano. Propõe-se o modelo STAR-Tree Heterocedástico, que faz uso da
metodologia do STAR-Tree (Smooth Transition AutoRegression Tree) aplicada a
séries temporais heterocedásticas. Com a disponibilidade de dados de retorno e da
volatilidade realizada de ações intra-diários, as séries de retornos são
transformadas através da divisão de cada retorno pela sua volatilidade realizada. A
série transformada apresenta variância constante. O modelo é uma combinação da metodologia STAR (Smooth Transition AutoRegression) e do
algoritmo CART (Classification and Regression Tree). O modelo resultante
pode ser interpretado como uma regressão de múltiplos regimes com transição
suave. A especificação do modelo é feita através de testes de Multiplicadores de
Lagrange, que indicam o nó a ser dividido e a variável de transição correspondente.
Os modelos de comparação usados são o modelo Média, o método Naive,
modelos lineares ARX e Redes Neurais. As previsões dos modelos foram avaliadas
através de medidas estatísticas e financeiras. Os resultados financeiros
baseam-se em uma regra de negociação automática que informa o momento de comprar e vender cada ativo. O modelo STAR-Tree Heterocedástico teve resultados
estatísticos equivalentes aos dos outros modelos, porém apresentou um desempenho
financeiro superior para a maioria das séries. A volatilidade realizada também foi
estimada usando a metodologia STAR-Tree, e sua previsão foi utilizada para
fazer uma análise de alavancagem financeira. / [en] The main goal of this dissertation is to compare the
performance of linear
and nonlinear models to forecast 23 assets of the American
Stocks Market. The
Heteroscedastic STAR-Tree Model is proposed using the STAR-
Tree (Smooth
Transition AutoRegression Tree) methodology applied to
heteroscedastic time
series. As assets returns and realized volatility intraday
data are available, the
returns series are transformed by dividing each return by
its realized volatility,
which gives homocedastic series. The model is a combination
of the STAR
(Smooth Transition AutoRegression) methodology and the CART
(Classification
and Regression Tree) algorithm. The resulting model can be
interpreted as a
smooth transition multiple regime regression. The model
specification is done by
Lagrange Multiplier tests that indicate the node to be
split and the corresponding
transition variable. The comparison models used are the
Mean model, Naive
method, ARX linear models and Neural Networks. The
forecasting models were
evaluated through statistical and financial measures. The
financial results are
based on an automatic trading rule that signals buy and
hold moments in each
stock. The Heteroscedastic STAR-Tree Model statistical
performance was
equivalent to the other models, however its financial
performance was superior for
most of the series. The STAR-Tree methodology was also
applied for forecasting
the realized volatility, and the forecasts were used in
financial leverage analysis.
|
2 |
[en] TREE-STRUCTURE SMOOTH TRANSITION VECTOR AUTOREGRESSIVE MODELS – STVAR-TREE / [pt] MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREEALEXANDRE JOSE DOS SANTOS 13 July 2010 (has links)
[pt] Esta dissertação tem como objetivo principal introduzir uma formulação de
modelo não-linear multivariado, a qual combina o modelo STVAR (Smooth
Transition Vector Autoregressive) com a metodologia CART (Classification and
Regression Tree) a fim de utilizá-lo para geração de cenários e de previsões. O
modelo resultante é um Modelo Vetorial Auto-Regressivo com Transição Suave
Estruturado por Árvores, denominado STVAR-Tree e tem como base o conceito
de múltiplos regimes, definidos por árvore binária. A especificação do modelo é
feita através do teste LM. Desta forma, o crescimento da árvore é condicionado à
existência de não-linearidade nas séries, que aponta a divisão do nó e a variável de
transição correspondente. Em cada divisão, são estimados os parâmetros lineares,
por Mínimos Quadrados Multivariados, e os parâmetros não-lineares, por
Mínimos Quadrados Não-Lineares. Como forma de avaliação do modelo STVARTree,
foram realizados diversos experimentos de Monte Carlo com o objetivo de
constatar a funcionalidade tanto do teste LM quanto da estimação do modelo.
Bons resultados foram obtidos para amostras médias e grandes. Além dos
experimentos, o modelo STVAR-Tree foi aplicado às séries brasileiras de Vazão
de Rios e Preço Spot de energia elétrica. No primeiro estudo, o modelo foi
comparado estatisticamente com o Periodic Autoregressive (PAR) e apresentou
um desempenho muito superior ao concorrente. No segundo caso, a comparação
foi com a modelagem Neuro-Fuzzy e ganhou em uma das quatro séries. Somando
os resultados dos experimentos e das duas aplicações conclui-se que o modelo
STVAR-Tree pode ser utilizado na solução de problemas reais, apresentando bom
desempenho. / [en] The main goal of the dissertation is to introduce a nonlinear multivariate
model, which combines the model STVAR (Smooth Transition Vector
Autoregressive) with the CART (Classification and Regression Tree) method and
use it for generating scenarios and forecasting. The resulting model is a Tree-
Structured Vector Autoregressive model with Smooth Transition, called STVARTree,
which is based on the concept of multiple regimes, defined by binary tree.
The model specification is based on Lagrange Multiplier tests. Thus, the growth
of the tree is conditioned on the existence of nonlinearity in the time series, which
indicates the node to be split and the corresponding transition variable. In each
division, linear parameters are estimated by Multivariate Least Squares, and
nonlinear parameters by Non-Linear Least Squares. As a way of checking the
STVAR-Tree model, several Monte Carlo experiments were performed in order to
see the functionality of both the LM test and the model estimation. Best results
were obtained with medium and large samples. Besides, the STVAR-Tree model
was applied to Brazilian time series of Rivers Flow and electricity spot price. In
the first study, the model was statistically compared to the Periodic
Autoregressive (PAR) model and had a much higher performance than the
competitor. In the second case, the model comparison was with Neural-Fuzzy
Modeling and the STVAR-Tree model won in one of the four series. Adding both
the experiments and the two applications results we conclude that the STVARTree
model may be applied to solve real problems, having good results.
|
3 |
[pt] MODELO STAR-TREE DE TRANSIÇÃO SUAVE ESTRUTURADO EM ÁRVORE PARA PREVISÃO DE ENERGIA EÓLICA / [en] TREE STRUCTURED SMOOTH TRANSITION MODEL STAR-TREE FOR WIND POWER FORECASTING05 November 2021 (has links)
[pt] O principal objetivo desta dissertação é estudar modelos de previsão da geração eólica utilizando os dados de cinco parques eólicos, mais precisamente comparar o desempenho dos modelos lineares e não lineares. Utilizando a metodologia do modelo não-linear STAR-TREE (Smooth Transition AutoRegression Tree) e comparando com o modelo linear Box e Jenkins através de medidas estatísticas. Basicamente, o modelo STAR-TREE é uma combinação dos modelos STAR (Smooth Transition AutoRegression) e CART (Classification
and Regression Tree), realizando assim uma modelagem em árvore onde a transição entre os regimes é feita de forma suave através da função logística e nos nós terminais são ajustados modelos preditivos. Neste estudo será ajustado nos nós terminais um modelo simples constante e também modelos autorregressivos. / [en] The main objective of this dissertation is to study wind generation forecasting models using data from five wind farms, more accurately compare the performance of linear and nonlinear models. Using the methodology of the nonlinear model STAR-TREE (Smooth Transition Autoregression Tree) and compare with the linear model BoxandJenkins through statistical measures. Basically the model STAR-TREE is a combination of models STAR (Smooth Transition Autoregression) and CART (Classification and Regression Tree), thus creating a modeling tree where the transition between regimes is done smoothly through the logistics function and in the terminal nodes are adjusted predictive models. In this study will fit in the terminal nodes, a simple model of constant and a autoregressive models.
|
4 |
[en] ASYMMETRIC EFFECTS AND LONG MEMORY IN THE VOLATILITY OF DJIA STOCKS / [pt] EFEITOS DE ASSIMETRIA E MEMÓRIA LONGA NA VOLATILIDADE DE AÇÕES DO ÍNDICE DOW JONESMARCEL SCHARTH FIGUEIREDO PINTO 16 October 2006 (has links)
[pt] volatilidade dos ativos financeiros reflete uma reação
prosseguida dos agentes a choques no passado ou alterações
nas condições dos mercados determinam mudanças na dinâmica
da variável? Enquanto modelos fracionalmente integrados
vêm sendo extensamente utilizados como uma descrição
adequada do processo gerador de séries de volatilidade,
trabalhos teóricos recentes indicaram que mudanças
estruturais podem ser uma relevante alternativa empírica
para o fato estilizado de memória longa. O presente
trabalho investiga o que alterações nos mercados
significam nesse contexto, introduzindo variações de
preços como uma possível fonte de mudanças no nível da
volatilidade durante algum período, com grandes quedas
(ascensões) nos preços trazendo regimes persistentes de
variância alta (baixa). Uma estratégia de modelagem
sistemática e flexível é estabelecida para testar e
estimar essa assimetria através da incorporação de
retornos acumulados passados num arcabouço não-linear. O
principal resultado revela que o efeito é altamente
significante - estima-se que níveis de volatilidade 25% e
50% maiores estão associados a quedas nos preços em
períodos curtos - e é capaz de explicar altos valores de
estimativas do parâmetro de memória longa. Finalmente,
mostra-se que a modelagem desse efeito traz ganhos
importantes para aplicações fora da amostra em períodos de
volatilidade alta. / [en] Does volatility reflect lasting reactions to past shocks
or changes in the
markets induce shifts in this variable dynamics? In this
work, we argue
that price variations are an essential source of
information about multiple
regimes in the realized volatility of stocks, with large
falls (rises) in prices
bringing persistent regimes of high (low) variance. The
study shows that
this asymmetric effect is highly significant (we estimate
that falls of different
magnitudes over less than two months are associated with
volatility levels
20% and 60% higher than the average of periods with stable
or rising prices)
and support large empirical values of long memory
parameter estimates.
We show that a model based on those findings significantly
improves out of
sample performance in relation to standard methods
{specially in periods
of high volatility.
|
5 |
[en] APPLICATION OF NONLINEAR MODELS FOR AUTOMATIC TRADING IN THE BRAZILIAN STOCK MARKET / [pt] APLICAÇÃO DE MODELOS NÃO LINEARES EM NEGOCIAÇÃO AUTOMÁTICA NO MERCADO ACIONÁRIO BRASILEIROTHIAGO REZENDE PINTO 16 October 2006 (has links)
[pt] Esta dissertação tem por objetivo comparar o desempenho de
modelos não
lineares de previsão de retornos em 10 ativos do mercado
acionário brasileiro. Entre os modelos escolhidos, pode-se
citar o STAR-Tree, que combina
conceitos da metodologia STAR (Smooth Transition
AutoRegression) e do
algoritmo CART (Classification And Regression Trees),
tendo como resultado final uma regressão com transição
suave entre múltiplos regimes. A
especificação do modelo é feita através de testes de
hipótese do tipo Multiplicador de Lagrange que indicam o
nó a ser dividido e a variável explicativa
correspondente. A estimação dos parâmetros é feita pelo
método de Mínimos
Quadrados Não Lineares para determinar o valor dos
parâmetros lineares
e não lineares. Redes Neurais, modelos ARMAX (estes
lineares) e ainda o
método Naive também foram incluídos na análise. Os
resultados das previsões foram avaliados a partir de
medidas estatísticas e financeiras e se
basearam em um negociador automático que informa o
instante correto de
assumir uma posição comprada ou vendida em cada ativo. Os
melhores desempenhos foram alcançados pelas Redes Neurais,
pelos modelos ARMAX
e pela forma de previsão ARC (Adaptative Regime
Combination) derivada
da metodologia STAR-Tree, sendo ambos ainda superiores ao
retorno das
ações durante o período de teste / [en] The goal of this dissertation is to compare the
performance of non linear
models to forecast return on 10 equities in the Brazilian
Stock Market.
Among the chosen ones, it can be cited the STAR-Tree,
which matches
concepts from the STAR (Smooth Transition AutoRegression)
methodology
and the CART (Classification And Regression Trees)
algorithm, having
as the resultant structure a regression with smooth
transition among
multiple regimes. The model specification is done by
Lagrange Multiplier
hypothesis tests that indicate the node to be splitted and
the corresponding
explanatory variable. The parameter estimation is done by
the Non Linear
Least Squares method that determine the linear and non
linear parameters.
Neural Netwoks, ARMAX models (these ones linear) and the
Naive method
were also included in the analysis. The forecasting
results were calculated
using statistical and financial measures and were based on
an automatic
negociator that signaled the right instant to take a short
or a long position in
each stock. The best results were reached by the Neural
Networks, ARMAX
models and ARC (Adaptative Regime Combination )
forecasting method
derived from STAR-Tree, with all of them performing better
then the equity
return during the test period.
|
6 |
[en] TREE-STRUCTURED SMOOTH TRANSITION REGRESSION MODELS / [pt] MODELOS DE REGRESSÃO COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORESJOEL MAURICIO CORREA DA ROSA 22 July 2005 (has links)
[pt] O objetivo principal desta tese introduzir um modelo
estruturado por árvores
que combina aspectos de duas metodologias: CART
(Classification and Regression
Tree) e STR (Smooth Transition Regression). O modelo aqui
denominado
STR-Tree. A idéia especificar um modelo não-linear
paramétrico através da estrutura
de uma árvore de decisão binária. O modelo resultante pode
ser analisado
como uma regressão com transição suave entre múltiplos
regimes. As decisões
sobre as divisões dos nós são inteiramente baseadas em
testes do tipo Multiplicadores
de Lagrange. Uma especificação alternativa baseada em
validação cruzada
também utilizada. Um experimento de Monte Carlo utilizado
para avaliar o
desempenho da metodologia proposta comparando-a com outras
técnicas comumente
utilizadas. Como resultado verifica-se que o modelo STR-
Tree supera o
tradicional CART quando seleciona a arquitetura de árvores
simuladas. Além do
mais, utilizar testes do tipo Multiplicadores de Lagrange
gera resultados melhores
do que procedimentos de validação cruzada. Quando foram
utilizadas bases
de dados reais, o modelo STR-Tree demonstrou habilidade
preditiva superior ao
CART. Através de uma aplicação, extende-se a metodologia
para a análise de
séries temporais. Neste caso, o modelo denominado STAR-
Tree, sendo obtido
através de uma árvore de decisão binária que ajusta
modelos autoregressivos de
primeira ordem nos regimes. A série de retornos da taxa de
câmbio Euro/Dólar
foi modelada e a capacidade preditiva e o desempenho
financeiro do modelo
foi comparado com metodologias padrões como previsões
ingênuas e modelos
ARMA. Como resultado obtido um modelo parcimonioso que
apresenta desempenho
estatístico equivalente às estratégias convencionais,
porém obtendo
resultados financeiros superiores. / [en] He main goal of this Thesis is to introduce a tree-
structured model that combines
aspects from two methodologies: CART (Classification and
Regression Trees)
and STR (Smooth Transition Regression). The model is
called STR-Tree, The
idea is to specify a nonlinear parametric model through
the structure of a binary
decision tree. The resulting modelo can be analyzed as a
smooth transition
regression model with multiple regimes. The decisions for
splitting the nodes
of the tree are entirely based on Lagrange Multipliers
tests. An alternative
specification that uses cross- validation is also tried. A
Monte Carlo Experiment
is used to evaluate the performance of the proposed
methodology and to compare
with other techniques that are commonly used. The results
showed that the STRTree
model outperformed the traditional CART when specifying
the architecture
of a simulated tree. Moreover, the use of Lagrange
Multipliers tests gave better
results than a cross-validation procedure. After applying
the model to real
datasets, it could be seen that STR-Tree showed superior
predictive ability when
compared to CART. The idea was extended to time series
analysis through an
application. In this situation, we call the model as STAR-
Tree which is obtained
through a binary decision tree that fits first-order
autoregressive models for
different regimes. The model was fitted to the returns of
Euro/Dolar exchange
rate time series and then evaluated statistically and
financially. Comparing with
the naive approach and ARMA methodology, the STAR-Tree was
parsimonious
and presented statistical performance equivalent to
others. The financial results
were better than the others.
|
7 |
[en] TS-TARX: TREE STRUCTURED - THRESHOLD AUTOREGRESSION WITH EXTERNAL VARIABLES / [pt] TS-TARX: UM MODELO DE REGRESSÃO COM LIMIARES BASEADO EM ÁRVORE DE DECISÃOCHRISTIAN NUNES ARANHA 28 January 2002 (has links)
[pt] Este trabalho propõe um novo modelo linear por partes
para a extração de regras de conhecimento de banco de
dados. O modelo é uma heurística baseada em análise de
árvore de regressão, como introduzido por Friedman (1979)
e discutido em detalhe por Breiman (1984). A motivação
desta pesquisa é trazer uma nova abordagem combinando
técnicas estatísticas de modelagem e um algoritmo de
busca por quebras eficiente. A decisão de quebra usada no
algoritmo de busca leva em consideração informações do
ajuste de equações lineares e foi implementado tendo por
inspiração o trabalho de Tsay
(1989). Neste, ele sugere um procedimento para construção
um modelo para a análise de séries temporais chamado TAR
(threshold autoregressive model), introduzido por
Tong (1978) e discutido em detalhes por Tong e Lim (1980)
e Tong (1983). O modelo TAR é um modelo linear por partes
cuja idéia central é alterar os parâmetros do modelo
linear autoregressivo de acordo com o valor de uma
variável observada, chamada de variável limiar. No
trabalho de Tsay, a Identificação do número e
localização do potencial limiar era baseada na analise de
gráficos. A idéia foi então criar um novo algoritmo todo
automatizado. Este processo é um algoritmo que preserva
o método de regressão por mínimos quadrados recursivo
(MQR) usado no trabalho de Tsay. Esta talvez seja uma das
grandes vantagens da metodologia introduzida neste
trabalho, visto que Cooper (1998) em seu trabalho de
análise de múltiplos regimes afirma não ser possível
testar cada quebra. Da combinação da árvore de decisão
com a técnica de regressão (MQR), o modelo se tornou o
TS-TARX (Tree Structured - Threshold AutoRegression with
eXternal variables). O procedimento consiste numa busca
em árvore binária calculando a estatística F para a
seleção das variáveis e o critério de informação BIC para
a seleção dos modelos. Ao final, o algoritmo gera como
resposta uma árvore de decisão (por meio de regras) e as
equações de regressão estimadas para cada regime da
partição. A principal característica deste tipo de
resposta é sua fácil interpretação. O trabalho conclui
com algumas aplicações em bases de dados padrões
encontradas na literatura e outras que auxiliarão o
entendimento do processo implementado. / [en] This research work proposes a new piecewise linear model to
extract knowledge rules from databases. The model is an
heuristic based on analysis of regression trees, introduced
by Friedman (1979) and discussed in detail by Breiman
(1984). The motivation of this research is to come up with
a new approach combining both statistical modeling
techniques and an efficient split search algorithm.
The split decision used in the split search algorithm
counts on information from adjusted linear equation and was
implemented inspired by the work of Tsay (1989). In his
work, he suggests a model-building procedure for a
nonlinear time series model called by TAR (threshold
autoregressive model), first proposed by Tong (1978) and
discussed in detail by Tong and Lim (1980) and Tong (1983).
The TAR model is a piecewise linear model which main idea
is to set the coefficients of a linear autoregressive
process in accordance with a value of observed variable,
called by threshold variable. Tsay`s identification of the
number and location of the potential thresholds was based
on supplementary graphic devices. The idea is to get the
whole process automatic on a new model-building process.
This process is an algorithm that preserves the method of
regression by recursive least squares (RLS) used in Tsay`s
work. This regression method allowed the test of all
possibilities of data split. Perhaps that is the main
advantage of the methodology introduced in this work,
seeing that Cooper, S. (1998) said about the impossibility
of testing each break.Thus, combining decision tree
methodology with a regression technique (RLS), the model
became the TS-TARX (Tree Structured - Threshold
AutoRegression with eXternal variables). It searches on a
binary tree calculating F statistics for variable selection
and the information criteria BIC for model selection. In
the end, the algorithm produces as result a decision tree
and a regression equation adjusted to each regime of the
partition defined by the decision tree. Its major advantage
is easy interpretation.This research work concludes with
some applications in benchmark databases from literature
and others that helps the understanding of the algorithm
process.
|
Page generated in 0.0327 seconds