This essay investigates how realized variance affects the GARCH-models (GARCH, EGARCH, GJRGARCH) when added as an external regressor. The GARCH models are estimated with three different distributions; Normal-, Student’s t- and Normal inverse gaussian distribution. The results are ambiguous - the models with realized variance improves the model fit, but when applied to forecasting, the models with realized variance are performing similar Value at Risk predictions compared to the models without realized variance.

Submitted by Livia Mello (liviacmello@yahoo.com.br) on 2016-09-22T11:50:45Z No. of bitstreams: 1 DissPGLF.pdf: 2510277 bytes, checksum: ac0bc495fe911118e100ddeeaea3b4d9 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T14:47:09Z (GMT) No. of bitstreams: 1 DissPGLF.pdf: 2510277 bytes, checksum: ac0bc495fe911118e100ddeeaea3b4d9 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T14:47:16Z (GMT) No. of bitstreams: 1 DissPGLF.pdf: 2510277 bytes, checksum: ac0bc495fe911118e100ddeeaea3b4d9 (MD5) / Made available in DSpace on 2016-10-10T14:47:24Z (GMT). No. of bitstreams: 1 DissPGLF.pdf: 2510277 bytes, checksum: ac0bc495fe911118e100ddeeaea3b4d9 (MD5) Previous issue date: 2016-02-15 / Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) / Multiple Sclerosis (MS) is an inflammatory demyelinating (that is, with myelin loss) disease of the Central Nervous System (CNS). It is considered an autoimmune disease in which the immune system wrongly recognizes the myelin sheath of the CNS as an external element and attacks it, resulting in inflammation and scarring (sclerosis) of multiple areas of CNS’s white matter. Multi-contrast magnetic resonance imaging (MRI) has been successfully used in diagnosing and monitoring MS due to its excellent properties such as high resolution and good differentiation between soft tissues. Nowadays, the preferred method to segment MS lesions is the manual segmentation, which is done by specialists with limited help of a computer. However, this approach is tiresome, expensive and prone to error due to inter- and intra-variability between observers caused by low contrast on lesion edges. The challenge in automatic detection and segmentation of MS lesions in MR images is related to the variability of size and location of lesions, low contrast due to partial volume effect and the high range of forms that lesions can take depending on the stage of the disease. Recently, many researchers have turned their efforts into developing techniques that aim to accurately measure volumes of brain tissues and MS lesions, and also to reduce the amount of time spent on image analysis. In this context, this project proposes the study and development of an automatic computational technique based on an outlier detection approach, Student’s t-distribution finite mixture models and probabilistic atlases to segment and measure MS lesions volumes in MR images. / Esclerose Múltipla (EM) é uma doença inflamatória e desmielinizante (isto é, com perda de mielina) do sistema nervoso central (SNC). É considerada uma doença autoimune a qual o sistema imunológico reconhece erroneamente a bainha de mielina do SNC como um elemento externo e então a ataca, resultando em inflamação e formação de cicatrizes gliais (escleroses) em múltiplas áreas da substância branca do SNC. O imageamento multi- contraste por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido às suas excelentes propriedades como alta resolução e boa diferenciação de tecidos moles. Atualmente, o método utilizado para a segmentação de lesões de EM é o delineamento manual em imagens 3D de RM, o qual é realizado por especialistas com ajuda limitada do computador. Entretanto, tal procedimento é custoso e propenso à variabilidade inter e intraobservadores devido ao baixo contraste das bordas das lesões. A grande dificuldade na detecção e segmentação automáticas das le- sões de EM em imagens de RM está associada às suas variações no tamanho e localização, baixo contraste decorrente do efeito de volume parcial e o amplo espectro de aparências (realçadas, não-realçadas, black-holes) que elas podem ter, dependendo do estado evolutivo da doença. Atualmente, vários pesquisadores têm voltado seus esforços para o desenvol- vimento de técnicas que visam diminuir o tempo gasto na análise das imagens e medir, de maneira mais precisa, o volume dos tecidos cerebrais e das lesões de EM. Nesse contexto, este projeto propõe o estudo e o desenvolvimento de uma técnica computacional automá- tica, baseada na abordagem de detecção de outliers e usando modelos de misturas finitas de distribuições t-Student e atlas probabilísticos para a segmentação e medição do volume de lesões de EM em imagens de RM. / FAPESP: 2014/00019-6