Neste trabalho foram utilizadas cópulas bivariadas variantes no tempo para modelar a dependência entre séries de retornos financeiros. O objetivo deste trabalho é apresentar uma abordagem de estimação semi-paramétrica de cópulas variantes no tempo a partir de uma função de cópula paramétrica na qual o parâmetro varia no tempo. A função do parâmetro desconhecido será estimada pela aproximação de ondaleta Haar, polinômio de Taylor e Kernel. O desempenho dos três métodos de aproximação será comparado via estudos de simulação. Uma aplicação aos dados reais será apresentada para ilustrar a metodologia estudada. / In this work the bivariate Time-varying copula models have been used to model the dependence between payback. The aim of this work is to present an approach of semiparametric estimation of Time-varying copula models from a parametric copula function in which the parameter varies with the time. The function of the unknown parameter will be estimated by Haar wavelet approach, Taylor series and smoothing Kernel approximation. The measured performance of the three estimation method will be compared by simulation study. An application of the data will be presented to illustrate the studied methodology.

The Nelson-Siegel framework published by Diebold and Li a decade ago created an important benchmark and originated several works in the literature of forecasting term structure of interest rates. For instance, the Arbitrage-Free Nelson-Siegel framework improved predictive performance by imposing no-arbitrage conditions to the Nelson-Siegel framework. However, these frameworks were built on the top of a parametric curve model that may lead to poor fitting for sensible term structure shapes affecting forecast results. We propose DCOBS with no-arbitrage restrictions to forecast the term structure. It is built on the top of the nonparametric constrained smoothing Bsplines yield curve model. This curve model has shown to be an optimum solution between financial integrity and respect to yield curve shapes. Even though this curve model may provide more volatile forward curves than parametric models, they are still more accurate than those from Nelson-Siegel frameworks. A software was developed with a complete implementation of yield curve fitting techniques discussed in this paper. DCOBS has been evaluated for ten years of brazilian government bond data and it has shown good consistence with stylized facts of yield curves. The results of DCOBS are promising, specially in short-term forecast, and has shown greater stability and lower root mean square errors than Arbitrage-Free Nelson-Siegel. / O framework Nelson-Siegel publicado por Diebold e Li uma década atrás criou um importante benchmark e originou diversos trabalhos na literatura de previsão de estrutura a termo de taxas de juros. Por exemplo, o framework Nelson-Siegel Livre de Arbitragem melhorou a performance preditiva impondo condições de não-arbitragem ao framework Nelson-Siegel. No entanto, estes frameworks foram construídos em cima do modelo de curvas paramétricas. Em casos mais sensíveis de formas de curvas, este modelo tem um desempenho muito ruim, afetando o resultado da previsão. Nós propomos o DCOBS com restrições de não-arbitragem para prever a estrutura a termo. Ele é construído em cima do modelo de curva não-paramétrico com B-Splines restritas e suavizadas. Este modelo demonstrou ser uma solução ótima entre integridade financeira e respeito às formas de curvas de juros. Embora este modelo de curva possa resultar em curvas forwards mais voláteis que os modelos paramétricos, ele é ainda mais acurado que aqueles do framework Nelson-Siegel. Um software foi desenvolvido com uma implementação completa das técnicas de ajustes de curvas de juros discutidas nesta dissertação. DCOBS foi avaliado utilizando dez anos de dados de títulos públicos do governo brasileiro e demonstrou boa consistência com os fatos estilizados das curvas de juros. Os resultados do DCOBS são promissores, especialmente na previsão de curto prazo, e demonstrou maior estabilidade e menor erro quadrático médio que o modelo Nelson-Siegel Livre de Arbitragem.

Um dos maiores desafios em Mineração de Dados é a integração da informação temporal ao seu processo. Esse fato tem desafiado profissionais de diferentes domínios de aplicação e recebido investimentos consideráveis da comunidade científica e empresarial. No contexto de predição de Séries Temporais, os investimentos se concentram no subsídio de pesquisas destinadas à adaptação dos métodos convencionais de Aprendizado de Máquina para a análise de dados na qual o tempo constitui um fator importante. À vista disso, neste trabalho é proposta uma nova extensão do algoritmo de Aprendizado de Máquina k-Nearest Neighbors (kNN) para predição de Séries Temporais, intitulado de kNN - Time Series Prediction with Invariances (kNN-TSPI ). O algoritmo concebido difere da versão convencional pela incorporação de três técnicas para obtenção de invariância à amplitude e deslocamento, invariância à complexidade e tratamento de casamentos triviais. Como demonstrado ao longo desta dissertação de mestrado, o uso simultâneo dessas técnicas proporciona ao kNN-TSPI uma melhor correspondência entre as subsequências de dados e a consulta de referência. Os resultados de uma das avaliações empíricas mais extensas, imparciais e compreensíveis já conduzidas no tema de predição de Séries Temporais evidenciaram, a partir do confronto de dez métodos de projeção, que o algoritmo kNN-TSPI, além de ser conveniente para a predição automática de dados a curto prazo, é competitivo com os métodos estatísticos estado-da-arte ARIMA e SARIMA. Por mais que o modelo SARIMA tenha atingido uma precisão relativamente superior a do método baseado em similaridade, o kNN-TSPI é consideravelmente mais simples de ajustar. A comparação objetiva e subjetiva entre algoritmos estatísticos e de Aprendizado de Máquina para a projeção de dados temporais vem a suprir uma importante lacuna na literatura, a qual foi identificada por meio de uma revisão sistemática seguida de uma meta-análise das publicações selecionadas. Os 95 conjuntos de dados empregados nos experimentos computacionais juntamente com todas as projeções analisadas em termos de Erro Quadrático Médio, coeficiente U de Theil e taxa de acerto Prediction Of Change In Direction encontram-se disponíveis no portal Web ICMC-USP Time Series Prediction Repository. A presente pesquisa abrange também contribuições e resultados significativos em relação às propriedades inerentes à predição baseada em similaridade, sobretudo do ponto de vista prático. Os protocolos experimentais delineados e as diversas conclusões obtidas poderão ser usados como referência para guiar o processo de escolha de modelos, configuração de parâmetros e aplicação dos algoritmos de Inteligência Artificial para predição de Séries Temporais. / One of the major challenges in Data Mining is integrating temporal information into process. This difficulty has challenged professionals several application fields and has been object of considerable investment from scientific and business communities. In the context of Time Series prediction, these investments consist majority of grants for designed research aimed at adapting conventional Machine Learning methods for data analysis problems in which time is an important factor. We propose a novel modification of the k-Nearest Neighbors (kNN) learning algorithm for Time Series prediction, namely the kNN - Time Series Prediction with Invariances (kNN-TSPI). Our proposal differs from the literature by incorporating techniques for amplitude and offset invariance, complexity invariance, and treatment of trivial matches. These three modifications allow more meaningful matching between the reference queries and Time Series subsequences, as we discuss with more details throughout this masters thesis. We have performed one of the most comprehensible empirical evaluations of Time Series prediction, in which we faced the proposed algorithm with ten methods commonly found in literature. The results show that the kNN-TSPI is appropriate for automated short-term projection and is competitive with the state-of-the-art statistical methods ARIMA and SARIMA. Although in our experiments the SARIMA model has reached a slightly higher precision than the similarity based method, the kNN-TSPI is considerably simpler to adjust. The objective and subjective comparisons of statistical and Machine Learning algorithms for temporal data projection fills a major gap in the literature, which was identified through a systematic review followed by a meta-analysis of selected publications. The 95 data sets used in our computational experiments, as well all the projections with respect to Mean Squared Error, Theils U coefficient and hit rate Prediction Of Change In Direction are available online at the ICMC-USP Time Series Prediction Repository. This work also includes contributions and significant results with respect to the properties inherent to similarity-based prediction, especially from the practical point of view. The outlined experimental protocols and our discussion on the usage of them, can be used as a guideline for models selection, parameters setting, and employment of Artificial Intelligence algorithms for Time Series prediction.

Made available in DSpace on 2016-08-10T10:40:42Z (GMT). No. of bitstreams: 1 RAFAEL GOMES LOIOLA.pdf: 2193685 bytes, checksum: 77fe8f4c3a881108732f58c6013d52b5 (MD5) Previous issue date: 2016-03-09 / The demand forecasting is of essential importance for business environments, in a way to serve as a decision making supporting tool during the development of companies strategic planning. This work strived to compare statistics with artificial intelligence methods applied to provisioning on demand issues using temporal series through Box-Jenkins and Artificial Neural Networks Multilayer Perceptron (MLP) methods. Studies were performed to identify and define the main demand forecasting methods. Subsequently, the selected prediction methods for the analysis of the three most relevant products of a metalworking industry were applied in the period 2012 to 2014. The four last periods were used only for performance validation of both methods, through the analysis of forecast errors. Softwares R, Matlab and SPSS supported the data deployment, modeling and analysis. From those models, a step ahead provisioning of sales of a metal mechanic industry was performed, followed by the comparison of the errors of each method based on root mean squared error, RMSE, and mean absolute percentage error, MAPE, to identify the most satisfactory and adequate provisioning method. The results indicated that the performance of the forecasts using the statistical method of Box-Jenkins in Products 1 and 3 were higher than the application of the MLP neural network models. While, for Product 2 the method of neural networks achieved better results. In the statistics analysis, one could verify that the series present some behavior patterns associated to seasonality and oscillations, being possible to observe that both methods show satisfactory results for each data characteristics of the temporal series. / A previsão de demanda é de essencial importância em ambientes organizacionais, de forma a servir como ferramenta de apoio a tomada de decisão durante o desenvolvimento do planejamento estratégico das empresas. Este trabalho teve como principal objetivo comparar modelos estatísticos e de inteligência artificial para problemas de previsão de demanda utilizando séries temporais por meio dos métodos de Box-Jenkins e rede neural artificial Multilayer Perceptron (MLP). Realizou-se o estudo para identificação e definição dos principais métodos de previsão de demanda. Posteriormente, aplicaram-se os métodos de previsão selecionados para a análise dos três produtos mais relevantes de uma indústria metal mecânica, no período de 2012 até 2014. Os quatro últimos períodos da série foram utilizados apenas para validação de desempenho de ambos os métodos propostos através das análises dos erros de previsão. Os softwares R, Matlab e SPSS apoiaram a aplicação, modelagem e análise dos dados. A partir dos modelos, realizou-se a previsão um passo a frente das vendas de uma indústria metal mecânica e posteriormente fez-se o comparativo de seus resultados através das medidas de erros referentes à raiz quadrada do erro quadrático médio, RMSE, e o erro percentual absoluto médio, MAPE, para identificar o modelo mais satisfatório e adequado para a predição. Os resultados indicaram que o desempenho das previsões utilizando o método estatístico de Box-Jenkins nos Produtos 1 e 3 foram superiores à aplicação dos modelos de rede neural MLP. Enquanto que para o Produto 2, o método de redes neurais alcançou melhores resultados. Nas análises estatísticas verificou-se que as séries apresentam padrões de comportamento referente à sazonalidade e oscilações, sendo possível observar que ambos os métodos apresentam resultados satisfatórios para cada característica de dados das séries temporais estudadas.

Made available in DSpace on 2015-03-04T18:50:48Z (GMT). No. of bitstreams: 1 marcovilela.pdf: 1029491 bytes, checksum: 1fca2ef79139cc03706b7b62c5e682e5 (MD5) Previous issue date: 2007-03-26 / Coordenacao de Aperfeicoamento de Pessoal de Nivel Superior / During the past 30-years, Biochemical System Theory (BST) has been provided a concrete foundation for the study of the dynamic biological systems, e.g. S-systems models for reverse engineering of metabolic networks (Savageau, 1969; Savageau, 1970; Voit, 2000). One of the remarkable characteristics of these models is its parameters not only quantify the interactions between the components of the network, but also elucidate the network s topology. Automatic procedures for S-system parameterization from biological time series have been developed by many researches, where they assume a noise-free time series and a true estimated first derivative in their methodologies (Chou, et al., 2006; Kikuchi, et al., 2003). Nevertheless, this noise-free data is not a realistic scenario of the real biological experimental world. Methods as artificial neural network (ANN), Support Vectors Machines (SVM) and Saviztsky-Golay filter were proposed to overcome the denoising time series problem with the advantage of a closed form output which allowed determining the first derivative symbolically (Almeida and Voit, 2003; Borges, et al., 2006; Borges, et al., 2004; Voit and Almeida, 2004). However, these solutions showed some problematic artifacts in its first derivative even when they are not visually apparent in the smoothed data, leaving a gap on the issue of a fully automatic method for S-system parameterization from experimental data. The algorithm presented in this work is a proposal to fill this gap up providing an unbiased robust tool for signal extraction and first derivative estimation from noisy time series. / Nos últimos 30 anos, a Teoria dos Sistemas Bioquímicos (Biochemical System Theory - BST) tem fornecido uma fundação concreta para o estudo da dinâmica de sistemas biológicos, por exemplo, Sistemas-S (S-systems) usados em engenharia reversa de vias metabólicas (Savageau, 1969; Savageau, 1970; Voit, 2000). Uma característica marcante desse tipo de modelo é que os parâmetros não só quantificam as interações entres os componentes da rede metabólica, mas também fornecem a sua topologia de regulação. Procedimentos automáticos para a parametrização dos Sistemas-S a partir de séries temporais biológicas vêm sendo desenvolvidos por vários pesquisadores, onde se assume que a série temporal e sua derivada temporal são livres de ruído. Entretando, perfis metabólicos livres de ruído não são um realistas em cenários de experimentos de biologia molecular. Técnicas como Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (MVP) e filtro de Saviztsky-Golay foram propostas como solução do problema de suavização dos perfis metabólicos com a vantagem da obtenção da derivada temporal simbólica (Almeida and Voit, 2003; Borges, et al., 2006; Borges, et al., 2004; Voit and Almeida, 2004). Entretanto, essas soluções apresentaram alguns artefatos problemáticos na derivada até mesmo quando nenhum problema é visualmente detectado no dado suavizado, deixando aberto um espaço vazio na questão de um método automático para a parametrização dos Sistemas-S a partir de dados experimentais. O algoritmo apresentado neste trabalho propõe preencher esse espaço com uma ferramenta robusta para a extração de sinal e de sua derivada temporal a partir de séries temporais ruidosas.

O objetivo deste trabalho é, a partir de um estudo de caso realizado com eventos de cheias na bacia do rio Itajaí em Santa Catarina e utilizando apenas registros de níveis fluviométricos de 2 em 2 horas, propor uma série de técnicas como regressão múltipla por mínimos quadrados, modelos auto-regressivos e Modelos Composição de Especialistas Locais (MCEL), que possam ser usadas em um sistema de alarme-resposta em tempo real, com a finalidade de fornecer às autoridades responsáveis pela Defesa Civil uma estimativa confiável do crescimento do nível do rio em uma seção de interesse, com antecedência suficiente para a tomada das decisões necessárias. Os resultados obtidos pelos modelos propostos para previsões com alcance de até 6 horas de antecedência, sugerem que eles podem ser utilizados como ferramentas úteis na construção de sistemas de alerta contra cheias em regiões que dispõem de escassez de dados.

Este trabalho tem como objetivo utilizar medidas de causalidade entre séries temporais de grandezas financeiras para determinar a dependência entre os ativos do mercado e utilizar as medidas obtidas para fazer inferências sobre a dinâmica desses ativos. Essa metodologia define um previsor para os valores das séries que, juntamente com a determinação das distribuições de probabilidades empíricas dos erros desse previsor por meio do método de Kernel, permite a amostragem aleatória de cenários multivariados, com diversas aplicações. Os ativos considerados para os testes de causalidade são o índice Ibovespa, o valor da paridade da moeda dólar-real USDBRL (utilizando suas séries de preços e retornos de preços), além da taxa de juros negociada diariamente (CDI). O uso do Método de Monte Carlo (MMC) é abordado para a precificação de opções de compra europeias (calls) de USDBRL e Ibovespa, e a comparação dos resultados gerados por essa metodologia com valores calculados pela fórmula de Black-Scholes (método mais utilizado no mercado financeiro, atualmente), evidenciando suas vantagens e desvantagens. Conclui-se, com este estudo, que, por meio da metodologia proposta, é possível replicar alguns comportamentos intrínsecos do mercado (como a observação de tendências nas séries de preços devido a dependências implícitas, e a presença de caudas pesadas nas distribuições dos retornos) que são desprezados pela maioria dos modelos paramétricos utilizados hoje, bem como o efeito do uso dessas informações no preço de derivativos. / This paper proposes the use of causality measures applied over time-series of financial values to determine the dependency relations between market assets and a way to use the obtained measures to make inferences about the dynamics of these assets. This methodology defines a predictor for values of the time-series that, by determining the empirical probability distributions of the errors generated by this predictor based on the Kernel method, allows a random sampling of multivariated scenarios with many applications. The assets considered for the causality tests are the Ibovespa index, the dollar-real parity value USDBRL (using their price and price-return series), in addition to the daily traded interest rate (CDI). The use of the Monte Carlo Method (MMC) for the pricing of European call options (USDBRL) and Ibovespa was discussed, in addition to a comparison of the results generated by this methodology with values calculated by the Black-Scholes formula (currently the most used method by finance institutions), showing its advantages and disadvantages. The conclusion is that, based on the proposed methodology, it is possible to replicate some intrinsic market behaviors (such as the existence of trends in price series, due to implicit dependencies, and the presence of fat tails in the distributions of price-returns) that are neglected by most of parametric models, currently, as well as the effect of using this information for pricing derivatives.

Este estudo tem como problema de pesquisa a previsão de retorno de ativos financeiros. Buscou verificar a existência de relação entre memória ou dependência de longo prazo em séries temporais fractais e erro de previsão de retornos de ativos financeiros obtida por meio de Redes Neurais Artificiais (RNA). Espera-se que séries temporais fractais com maior memória de longo prazo permitam obter previsões com menor nível de erro, na medida em que a correlação entre os elementos da série favoreça a qualidade de previsão de RNA. Como medida de memória de longo prazo, foi calculado o expoente de Hurst de cada série temporal, o qual sofreu uma transformação para atuar como um índice de previsibilidade. Para medir o erro de previsão, foi utilizada a Raiz do Erro Quadrado Médio (REQM) produzida pela RNA em cada série temporal. O cálculo do expoente de Hurst foi realizado por meio do algoritmo da análise Rescaled Range (R/S). A arquitetura de RNA utilizada foi a de Rede Neural com Atraso Alimentada Adiante (TLFN), tendo como processo de aprendizagem supervisionada o modelo de retropropagação com gradiente descendente para minimização do erro. A amostra foi composta por ativos financeiros brasileiros negociados na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBovespa), especificamente ações de companhias abertas e fundos de investimentos imobiliários em um período de 10 anos. Os resultados mostraram que a relação entre as variáveis foi significativa para previsões de retornos médios diários de 126 e 252 dias úteis e não significativa para previsão de retorno de 1 dia útil. Quando a análise foi realizada em somente ativos financeiros com expoentes de Hurst persistentes, a relação foi significativa para previsão de 1 dia útil e ainda mais significativa para previsão de 126 e 252 dias úteis, não sendo significativa quando realizada a análise em somente os ativos financeiros antipersistentes. A amostra foi também particionada entre os ativos que participaram e os que não participaram do índice Bovespa (IBOVESPA) no terceiro quadrimestre de 2013. Quando analisados somente os ativos que participaram do IBOVESPA, não houve relação significativa entre as variáveis estudadas, havendo relação significativa somente quando analisados os ativos não participantes. A participação no IBOVESPA apresentou relação significativa com memória de longo prazo e não foi encontrada relação significativa dessa participação com o erro de previsão de RNA. Os resultados encontrados sugerem que o expoente de Hurst pode ser utilizado previamente para selecionar séries temporais de retornos de ativos financeiros que são mais viáveis de serem previstos, particularmente escolhendo aqueles ativos com retornos mais persistentes e que não participem do IBOVESPA. Um gestor que deseje imprimir uma administração mais ativa de seus investimentos poderia utilizá-lo para selecionar uma carteira de ativos com essas características e realizar previsões com qualidade superior ao utilizar RNA. Um investidor que execute uma administração passiva de investimentos deveria compô-la com ativos com expoentes de Hurst característicos de processos em passeio aleatório, a fim de que não seja prejudicado por movimentos não aleatórios do mercado contra os quais não esteja se protegendo. / This study has the research problem of forecasting financial assets return. It aimed to verify the existence of relationship between long-term memory or dependence in fractal time series and prediction error of financial assets returns obtained by Artificial Neural Networks (ANN). It is expected that fractal time series with larger memory could achieve predictions with lower error, since the correlation between the elements of the series favors the quality of ANN prediction. As a long-term memory measure, the Hurst exponent of each time series was calculated, which has undergone a transformation to act as an index of predictability. To measure the prediction error, the Root Mean Square Error (RMSE) produced by ANN in each time series was used. The Hurst exponent computation was conducted through the rescaled range analysis (R/S) algorithm. The ANN architecture was Time Lagged Feedforward Neural Network (TLFN), with backpropagation supervised learning process and gradient descent for error minimization. The sample was composed of Brazilian financial assets traded in the Securities, Commodities & Futures Exchange of Sao Paulo (BM&FBovespa), more specifically public companies shares and real estate investment funds. The results showed that the relationship between the variables was significant for forecasting daily average returns of 126 and 252 business days, and not significant for predicting returns of 1 business day. When the analysis was performed only in financial assets with persistent Hurst exponents, the relationship was significant for predicting returns of 1 business day and even more significant for prediction returns of 126 and 252 business days. The relationship was not significant when the analysis was performed in only antipersistent financial assets. The sample was also partitioned among the assets participating and not participating in the Bovespa Index (IBOVESPA) of the third quarter of 2013. When only assets that participated in the IBOVESPA are considered, there was no significant relationship between the variables studied, existing significant correlation only when no participants are considered. Participation in IBOVESPA showed a significant relationship with long-term memory and no significant relationship of such participation with ANN prediction error was found. The results suggest that the Hurst exponent can be used to previously select time series of financial assets returns that are most feasible to predict, particularly choosing those assets with more persistent returns and not participating in the IBOVESPA. A manager who wishes to make a more active investment management could use it to select a portfolio with these characteristics and make predictions with superior quality when using artificial neural networks. An investor who accomplishes a passive investment management should compound his portfolio with assets that follows Hurst exponents characteristic of random walk processes, so that his is not impaired by no random market movement that he is not protected.

The present work aims at discussing the main theoretical aspects related to the occurrence of long memory processes and its respective application in economics and finance. In order to discuss the main theoretical aspects of its occurrence, it is worth starting from the complex systems approach and emergent phenomena, keeping in mind that many of these are computationally irreducible. In other words, the current state of the system depends on all previous states, in such a way that any change in the initial configuration must cause a significant difference in all posterior states. That is, there is a persistence of information over time - this is a concept directly related to long memory processes. Hence, based on complex systems simulations, three factors (possibly there are many others) were related to the rise of long memory processes: agents\' heterogeneity, occurrence of large deviations from the steady states (in conjunction with the motion laws of each system) and spatial complexity (which must influence on information propagation and on the dynamics of agents competition). In relation to the applied knowledge, first it is recognized that the explanatory factors for the rise of long memory processes are common to the structures/characteristics of real markets and it is possible to identify potential stylized facts when filtering the long memory components from time series - a considerable part of information present in time series is a consequence of the autocorrelation structure, which is directly related to the specificities of each market. Given that, in this thesis was developed a new risk contagion technique that does not need any further intervention. This technique is basically given by the calculation of rolling correlations between long memory filtered series of the conditional variances for different economies, such that these filtered series contain the stylized facts (risk peaks), free from possible overreactions caused by market idiosyncrasies. Then, based on the identification of risk contagion episodes related to the 2007/2008 Subprime Crisis in the U.S. and its respective contagion to the Brazilian economy, it was filtered out from the conditional variance of the Brazilian assets (which are an uncertainty measure) aiming at eliminating the contagion episodes and, consequently, it was made a counterfactual projection of what would have happened to the Brazilian economy if the risk contagion episodes had not occurred. Moreover, in conjunction with the evolutionary trend of the Brazilian economy prior to the crisis, it is possible to conclude that 70% of the economic crisis posterior to the 2008 events was caused by macroeconomic policies and only 30% is due to the effects of risk contagion episodes from the U.S. / O presente trabalho tem como objetivo discutir os principais aspectos teóricos ligados à ocorrência dos processos de memória longa e sua respectiva aplicação em economia e finanças. Para discutir os principais aspectos teóricos da sua ocorrência, recorre-se primeiramente à abordagem de sistemas complexos e fenômenos emergentes, tendo em vista que muitos destes são irredutíveis computacionalmente, ou seja, o estado atual do sistema depende de todos os estados anteriores, tal que, qualquer mudança nos instantes iniciais deve causar significativa diferença nos estados posteriores. Em outras palavras, há uma persistência da informação - conceito este intimamente ligado à memória longa. Portanto, com base em simulações de sistemas complexos computacionais, três fatores (podendo haver outros mais) foram relacionados ao surgimento de processos de memória longa: heterogeneidade dos agentes, ocorrência de grandes desvios do equilíbrio do sistema (em consonância com as respectivas leis do movimento de cada sistema estudado) e a complexidade espacial (que deve influenciar na propagação da informação e na dinâmica competitiva dos agentes). Em relação à aplicação do conhecimento, primeiro é reconhecido que os fatores explicativos para o surgimento de processos de memória longa são inerentes a estruturas/características de mercados reais e que é possível identificar potenciais fatos estilizados, ao filtrar as componentes de memória longa de séries temporais - grande parte da informação presente nas séries é função da estrutura de autocorrelação que advém das especificidades de cada mercado. Com base nisso, nesta tese foi desenvolvida uma nova técnica de estimação de contágio de risco, que não necessita intervenções adicionais, tendo em vista a identificação prévia de potenciais fatos estilizados em diferentes economias, utilizando as séries filtradas de variância condicional, tal que a partir destas séries filtradas é calculada uma correlação com horizonte móvel de observações entre choques (picos de risco) de curto prazo livres de possíveis reações causadas por idiossincrasias de cada mercado. Posteriormente, com base na identificação dos episódios ligados à Crise do Subprime de 2007/2008 nos Estados Unidos e seu respectivo contágio para a economia brasileira, filtrou-se a variância condicional dos ativos brasileiros (que é uma medida de incerteza), objetivando-se eliminar os eventos de contágio e, consequentemente, foi feita uma projeção contrafactual da evolução da economia, caso os episódios da crise não tivessem ocorrido. Com base nestes dados e com uma análise da tendência evolutiva da economia brasileira no período anterior à crise, constatou-se que 70% da crise econômica vivenciada no Brasil no período pós-2008 é decorrente de falhas na condução da política macroeconômica e somente 30% decorre dos efeitos do cenário externo na economia.

Analisar fenômenos aeroelásticos não-lineares através de dados experimentais é uma poderosa ferramenta para a identificação e controle de comportamentos aeroelásticos adversos. A modelagem matemática de sistemas aeroelásticos não-lineares não é trivial, fato que muitas vezes leva a admissão de simplificações, afastando o modelo da realidade. Desta forma, a análise de sistemas dinâmicos sem a necessidade de um modelo, feita através da análise de séries temporais obtidas de experimentos, pode fornecer melhores resultados. Alguns métodos de análise de séries temporais, como o método da defasagem, para reconstrução do espaço de estados, são sensíveis ao ruído, inevitavelmente presente em qualquer série temporal experimental. Este trabalho apresenta a técnica da decomposição em valores singulares (SVD), que reconstrói o espaço de estados eliminando o ruído presente na série temporal em um único processo. O método SVD é aplicado em séries temporais aeroelásticas, obtidas experimentalmente de um modelo de asa ensaiado em túnel de vento. Com os espaços de estados reconstruídos, é feita uma análise qualitativa do sistema aeroelástico, a evolução dos atratores obtidos com a variação de alguns parâmetros é apresentada. Comparações com o método da defasagem são realizadas com a aplicação dos métodos a uma série temporal aeroelástica do experimento. Os resultados mostram que a técnica (SVD) é mais confiável que o método da defasagem, os atratores obtidos revelam a ocorrência de bifurcações e comportamentos complexos, possivelmente caóticos. / Nonlinear aeroelastic phenomena analysis by using experimental data is a powerful tool for identification and control of adverse aeroelastic behaviors. Mathematical models for nonlinear aeroelastic systems are not trivial, by this, simplifications are assumed, thereby deviating from reality. Then, the analysis of dynamic systems without the need of a mathematical model, done by the analysis of experimental time series, may provide better results. However, methods of time series analysis, like the method of delays, for state space reconstruction are sensitive to noise, unavoidably present in experimental data. This work presents the application of singular value decomposition (SVD) that reconstructs the state space, eliminating noise present in the time series. The SVD method is applied in experimental aeroelastic time series, obtained from a wind tunnel wing model. With the reconstructed state spaces, qualitative analyses are done and the evolutions of the obtained attractors with parametric variation are presented. Comparisons with the method of delays are realized by applying MOD and SVD in a same experimental aeroelastic time series. The results show that the SVD method is more reliable than MOD and the obtained attractors reveal the occurrence of bifurcations and complex behavior, possibly chaotic.