Apesar da Análise de Componentes Principais (PCA) ser um dos métodos mais importantes na análise da estrutura a termo de taxa de juros, há fortes indícios de não ser adequada para estimar fatores da curva de juros quando há presença de dependência temporal e erros de medida. Para corrigir esses problemas é indicado utilizar a matriz de covariância de longo prazo, extraindo a correta estrutura de covariância presente nestes processos. Neste trabalho, mostramos que realizar a previsão fora da amostra da curva de taxa de juros com o método de Análise de Componentes Principais (PCA) utilizando como base a matriz de covarância de longo prazo (LRCM) parece ser mais acurada comparada a PCA com base na matriz de covariância amostral. / Although Principal Component Analysis (PCA) is one of the most common methods to estimate the structure of interest rate volatility, there are strong indications that it is not adequate to estimate interest rate factors when there is temporal dependence and measurement errors. To correct these problems it is necessary to use the longterm covariance matrix, to extract the correct covariance structure present in these processes. In this work, we show that performing the out-of-sample forecasting of the interest rate curve with the Principal Component Analysis (PCA) method based on the long-term covariance matrix (LRCM) seems to be more accurate compared to PCA based on sample covariance matrix.

Apesar da Análise de Componentes Principais (PCA) ser um dos métodos mais importantes na análise da estrutura a termo de taxa de juros, há fortes indícios de não ser adequada para estimar fatores da curva de juros quando há presença de dependência temporal e erros de medida. Para corrigir esses problemas é indicado utilizar a matriz de covariância de longo prazo, extraindo a correta estrutura de covariância presente nestes processos. Neste trabalho, mostramos que realizar a previsão fora da amostra da curva de taxa de juros com o método de Análise de Componentes Principais (PCA) utilizando como base a matriz de covarância de longo prazo (LRCM) parece ser mais acurada comparada a PCA com base na matriz de covariância amostral. / Although Principal Component Analysis (PCA) is one of the most common methods to estimate the structure of interest rate volatility, there are strong indications that it is not adequate to estimate interest rate factors when there is temporal dependence and measurement errors. To correct these problems it is necessary to use the longterm covariance matrix, to extract the correct covariance structure present in these processes. In this work, we show that performing the out-of-sample forecasting of the interest rate curve with the Principal Component Analysis (PCA) method based on the long-term covariance matrix (LRCM) seems to be more accurate compared to PCA based on sample covariance matrix.

[pt] Este trabalho propõe um modelo de otimização robusta de pior caso orientado por dados aplicado na seleção de um portfólio de títulos de renda fixa. A gestão das carteiras implica na tomada de decisões financeiras e no gerenciamento do risco através da seleção ótima de ativos com base nos retornos esperados. Como estes são variáveis aleatórias incertas foi incluído um conjunto definido de incertezas estimadas diretamente no processo de otimização, chamados de cenários. Foi usado o modelo de ajuste de curvas Nelson e Siegel para construir as estruturas a termo das taxas de juros empregadas na precificação dos títulos, um ativo livre de risco e alguns ativos com risco de maturidades diferentes. Os títulos prefixados são marcados a mercado porque estão sendo negociados antes do prazo de vencimento. A implementação ocorreu pela simulação computacional usando dados de mercado e dados estimados que alimentaram o modelo.Com a modelagem de otimização robusta foram realizados diferentes testes como: analisar a sensibilidade do modelo frente às variações dos parâmetros verificando seus resultados e a utilização de um horizonte de janela rolante para simular o comportamento ao longo do tempo. Obtidas as composições ótimas das carteiras, foi feito o backtesting para avaliar o comportamento das alocações com o retorno real e também a comparação com o desempenho de umbenchmark. Os resultados dos testes mostraram a adequação do modelo da curva de juros e bons resultados de alocação do portfólio robusto, que apresentaram confiabilidade até em períodos de crise. / [en] This paper proposes a data-driven worst case robust optimization model applied in the selection of a portfolio of fixed income securities. The portfolio management implies in financial decision-making and risk management through the selection of optimal assets based on expected returns. As these are uncertain random variables, was included a defined set of estimated uncertainties directly in the optimization process, called scenarios. The Nelson and Siegel curve fitting model was used to construct the term structure of the interest rates employed in the pricing of securities, a risk-free asset and some risky assets of different maturities. The fixed-rate securities are marked to market because they are being traded before the maturity date. The implementation took place through computational simulation using market data and estimated data that fed the model. With robust optimization modeling were done different tests such as: analyze the sensitivity of the model to the variations of the parameters checking the results and the use of a rolling horizon scheme to simulate behavior over time. Once the optimal portfolio composition was obtained, the backtesting was done to evaluate the behavior of the allocations with the real return and also the comparison with the performance of a benchmark. The results of the tests showed the adequacy of the interest curve model and good allocation results of the robust portfolio, which presented reliability even in times of crisis.