[pt] A dissertação apresenta uma proposta de modelo de fatores fundamentalista, de base diária, como uma alternativa mais parcimoniosa do que as tradicionais no cálculo do Value-at- Risk. Surpreendidos por prejuízos causados geralmente por elevada exposição ao risco de mercado, bancos e instituições vêm dedicando atenção especial ao aprimoramento de técnicas de gerenciamento de risco. O estudo relembra conceitos básicos de teoria de carteiras, em particular os modelos de equilíbrio de precificação de ativos, como o CAPM e o APT. Em seguida, a metodologia do Value-at- Risk é abordada, bem como os principais modelos de volatilidade utilizados na sua implementação. Os modelos multi-fatoriais, como os desenvolvidos pela Barra International, são apresentados como simplificadores do processo de estimação da matriz de covariâncias dos ativos de uma carteira. Finalmente, um modelo diário de fatores é estimado e aplicado no cálculo do VaR de uma carteira de ações brasileiras. Os resultados o qualificam como uma ferramenta consistente, eficiente e estruturada no cálculo e análise do risco financeiro.

[pt] O mercado internacional tem sido o foco principal do estudo do convenience yield dos contratos de commodities agrícolas. Em geral, abordagens por meio de modelos de equilíbrio vêm sendo utilizadas para modelar o convenience yield. Esta dissertação propõe de forma pioneira, utilizar modelos de fatores, originalmente propostos por Nelson e Siegel (1987) para a taxa de juros, com o intuito de modelar uma proxy do convenience yield dos contratos futuros de boi gordo negociados na BMEF-Bovespa. Este trabalho também apresenta uma síntese dos modelos propostos na literatura para ativos financeiros e agropecuários bem como a estrutura de negociação dos contratos futuros de commodities agrícolas na BMEF. / [en] International Market has been the principal focus on the convenience yield study of the agricultural commodities contracts. In general, approaches using equilibrium models have been used to model the convenience yield. This paper proposes, for the first, using factor models, originally proposed by Nelson and Siegel (1987) for the in- terest rate, in order to model the a proxy of convenience yield of live cattle futures contracts traded on the Bovespa-BMEF. This work also presents a summary of the models proposed in the literature for financial assets and commodities as well as the structure of futures trading in agricultural commodities for BMEF.

[pt] O objetivo deste trabalho é a construção de um modelo integrado para previsão da estrutura a termo da taxa de juros, referentes a títulos corporativos americanos para diferentes níveis de risco. A metodologia é baseada no modelo de Nelson e Siegel (1987), com extensões propostas por Diebold e Li (2006) e Diebold, Li e Yue (2008). Modelamos a estrutura a termo para 14 níveis de risco e estimamos conjuntamente os fatores latentes de nível e inclinação que governam a dinâmica das taxas, para a posterior estimação de dois super fatores, que por sua vez, conduzem a trajetória de cada fator, onde está centrada a nossa principal inovação. A previsão da curva de juros é então construída a partir da previsão dos super fatores, modelados por processos auto-regressivos, como sugere Diebold e Li (2006). Através dos super fatores extrapolados da amostra reconstruímos, na forma da previsão, os fatores latentes e a própria taxa de juros. Além da previsão fora da amostra, comparamos a eficiência do modelo proposto com o modelo mais tradicional da literatura, o passeio aleatório. Pela comparação, não obtivemos ganhos significativos em relação a esse competidor, principalmente na previsão um passo a frente. Resultados melhores foram obtidos aumentando o horizonte de previsão, mas não sendo capaz de superar o passeio aleatório. / [en] This dissertation constructs an integrated model for interest rate term structure forecast for American corporate bonds associated with different risk levels. Our methodology is primarily based on Nelson and Siegel (1987) and presents extensions proposed in Diebold and Li (2006) and Diebold, Li and Yue (2008). We model the term structure for 14 risk levels and we jointly estimate the level and slope latent factors that drive interest rates dynamics. These factors are then used in the estimation of two super factors which is our main innovation. The yield curve forecast is then determinate from the forecast of the super factors, described by autoregressive processes, as suggested by Diebold and Li (2006). Through the super factors forecast, reconstructed in the form of forecasting the latent factors and their own interest rate. Our results focus on the model’s out of sample forecast and efficiency compared with the random walk model, considered the benchmark model in this type of literature. Our results provide evidence that the proposed models shows no significant gains in relation to the benchmark, especially in predicting one month ahead. Better results were obtained by increasing the forecast horizon, but not being able to overcome the random walk.

[pt] Este trabalho propõe um modelo de previsão de matrizes de covariância realizada de altíssima dimensão, com aplicação para os componentes do índice S e P 500. Para lidar com o altíssimo número de parâmetros (maldição da dimensionalidade), propõe-se a decomposição da matriz de covariância de retornos por meio do uso de um modelo de fatores padrão (e.g. tamanho, valor, investimento) e uso de restrições setoriais na matriz de covariância residual. O modelo restrito é estimado usando uma especificação de vetores auto regressivos heterogêneos (VHAR) estimados com LASSO (Least Absolute Shrinkage and Selection Operator). O uso da metodologia proposta melhora a precisão de previsão em relação a benchmarks padrões e leva a melhores estimativas de portfólios de menor variância. / [en] We propose a model to forecast very large realized covariance matrices of returns, applying it to the constituents of the S and P 500 on a daily basis. To deal with the curse of dimensionality, we decompose the return covariance matrix using standard firm-level factors (e.g. size, value, profitability) and use sectoral restrictions in the residual covariance matrix. This restricted model is then estimated using Vector Heterogeneous Autoregressive (VHAR) models estimated with the Least Absolute Shrinkage and Selection Operator (LASSO). Our methodology improves forecasting precision relative to standard benchmarks and leads to better estimates of the minimum variance portfolios.

[pt] Esta tese é composta de quatro artigos e um pacote de R. Todos os artigos têm como foco previsão de variáveis econômicas em alta dimensão. O primeiro artigo mostra que modelos LASSO são muito precisos para prever a inflação brasileira em horizontes curtos de previsão. O segundo artigo utiliza vários métodos de Machine Learning para prever um grupo de variáveis macroeconomicas americanas. Os resultados mostram que uma adaptação no LASSO melhora as previsões com um alto custo computacional. O terceiro artigo também trata da previsão da inflação brasileira, mas em tempo real. Os principais resultados mostram que uma combinação de modelos de Machine Learning é mais precisa do que a previsão do especialista (FOCUS). Finalmente, o último artigo trata da previsão da inflação americana utilizando um grande conjunto de modelos. O modelo vencedor é o Random Forest, que levanta a questão da não-linearidade na inflação americana. Os resultados mostram que tanto a não-linearidade quanto a seleção de variáveis são importantes para os bons resultados do Random Forest. / [en] This thesis is made of four articles and an R package. The articles are all focused on forecasting economic variables on high-dimension. The first article shows that LASSO models are very accurate to forecast the Brazilian inflation in small horizons. The second article uses several Machine Learning models to forecast a set o US macroeconomic variables. The results show that a small adaptation in the LASSO improves the forecasts but with high computational costs. The third article is also on forecasting the Brazilian inflation, but in real-time. The main results show that a combination of Machine Learning models is more accurate than the FOCUS specialist forecasts. Finally, the last article is about forecasting the US inflation using a very large set of models. The winning model is the Random Forest, which opens the discussion of nonlinearity in the US inflation. The results show that both nonlinearity and variable selection are important features for the Random Forest performance.

[pt] Esta tese é composta por três capítulos que abordam a econometria de análise contrafactual. No primeiro capítulo, propomos uma nova metodologia para estimar efeitos causais de uma intervenção que ocorre em apenas uma unidade e não há um grupo de controle disponível. Esta metodologia, a qual chamamos de contrafactual artificial (ArCo na sigla em inglês), consiste em dois estágios: no primeiro um contrafactual é estimado através de conjuntos de alta dimensão de variáveis das unidades não tratadas, usando métodos de regularização como LASSO. No segundo estágio, estimamos o efeito médio da intervenção através de um estimador consistente e assintoticamente normal. Além disso, nossos resultados são válidos uniformemente para um grande classe the distribuições. Como uma ilustração empírica da metodologia proposta, avaliamos o efeito de um programa antievasão fiscal. No segundo capítulo, investigamos as consequências de aplicar análises contrafactuais quando a amostra é gerada por processos integrados de ordem um. Concluímos que, na ausência de uma relação de cointegração (caso espúrio), o estimador da intervenção diverge, resultando na rejeição da hipótese de efeito nulo em ambos os casos, ou seja, com ou sem intervenção. Já no caso onde ao menos uma relação de cointegração exista, obtivemos um estimador consistente, embora, com uma distribuição limite não usual. Como recomendação final, sugerimos trabalhar com os dados em primeira diferença para evitar resultados espúrios sempre que haja possibilidade de processos integrados. Finalmente, no último capítulo, estendemos a metodologia ArCo para o caso de estimação de efeitos quantílicos condicionais. Derivamos uma estatística de teste assintoticamente normal para inferência, além de um teste distribucional. O procedimento é, então, adotado em um exercício empírico com o intuito de investigar os efeitos do retorno de ações após uma mudança do regime de governança corporativa. / [en] This thesis is composed of three chapters concerning the econometrics of counterfactual analysis. In the first one, we consider a new, exible and easy-to-implement methodology to estimate causal effects of an intervention on a single treated unit when no control group is readily available, which we called Artificial Counterfactual (ArCo). We propose a two-step approach where in the first stage a counterfactual is estimated from a largedimensional set of variables from a pool of untreated units using shrinkage methods, such as the Least Absolute Shrinkage Operator (LASSO). In the second stage, we estimate the average intervention effect on a vector of variables, which is consistent and asymptotically normal. Moreover, our results are valid uniformly over a wide class of probability laws. As an empirical illustration of the proposed methodology, we evaluate the effects on in ation of an anti tax evasion program. In the second chapter, we investigate the consequences of applying counterfactual analysis when the data are formed by integrated processes of order one. We find that without a cointegration relation (spurious case) the intervention estimator diverges, resulting in the rejection of the hypothesis of no intervention effect regardless of its existence. Whereas, for the case when at least one cointegration relation exists, we have a square root T-consistent estimator for the intervention effect albeit with a non-standard distribution. As a final recommendation we suggest to work in first-differences to avoid spurious results. Finally, in the last chapter we extend the ArCo methodology by considering the estimation of conditional quantile counterfactuals. We derive an asymptotically normal test statistics for the quantile intervention effect including a distributional test. The procedure is then applied in an empirical exercise to investigate the effects on stock returns after a change in corporate governance regime.

[pt] Diversos estudos envolvendo modelos de fatores para apreçamento de ativos contestam a validade do CAPM. Ao longo do tempo, para explicar as chamadas anomalias dos retornos das ações, os trabalhos se voltaram tanto para a busca de novos fatores de risco – os modelos multifatores – bem como para o tratamento dinâmico das sensibilidades relacionadas aos fatores de risco – os modelos condicionais de apreçamento de ativos. Os modelos condicionais, de um ou mais fatores, explicitam o valor esperado do retorno de um ativo de forma condicional a um conjunto de informação disponível no período anterior. As sensibilidades aos fatores de risco, os betas, são estimados como parâmetros dinâmicos a partir de diferentes abordagens na literatura. Nesta tese, o objetivo é o estudo de modelos condicionais na forma espaço-estado, em que os betas seguem processos estocásticos e são estimados a partir do filtro de Kalman, de forma a verificar o ganho na capacidade explicativa dos modelos. Dois estudos empíricos são realizados, um para o CAPM condicional no mercado brasileiro e outro para o modelo de três fatores condicional de Fama e French no mercado norte-americano. De modo geral, os resultados ao se considerar a variação temporal das sensibilidades aos fatores são melhores do que os obtidos a partir dos modelos incondicionais correspondentes, tanto no que se refere ao ajuste aos dados quanto à redução proporcionada nos erros de apreçamento. / [en] The validity of CAPM is contested by several studies based on factor models. During the last decades, aiming to explain the known financial anomalies of stock returns, two major lines of research emerged: the use of asset pricing models that allow for multiple sources of risk – the multifactor models – as well as the dynamic approach to model the sensitivities of returns in respect to the risk factors – the conditional models. The conditional models, based on one or more risk factors, explicit the expected return conditional to the information set available in the previous period. The factor sensitivities, or the betas, are estimated as dynamic parameters according to different approaches in the literature. The main objective in this thesis is to study conditional pricing models based on state-space approach. The betas dynamics are described as stochastic processes and estimated through the Kalman filter in order to verify the models ability to explain the returns and related financial anomalies, such as size and value effects. Two empirical applications are presented: one for Conditional CAPM in the Brazilian stock market and another for Conditional Fama and French (1993) three-factor model in the American stock market. In both cases, time-varying sensitivities treatment provides better model adjustment as well as smaller pricing errors compared to correspondent unconditional models.