1 |
Extensão de técnicas clássicas para análise de séries temporais do tipo intervaloLuis Santiago Maia, André 31 January 2010 (has links)
Made available in DSpace on 2014-06-12T15:52:00Z (GMT). No. of bitstreams: 2
arquivo3072_1.pdf: 2151220 bytes, checksum: b28a86f3cf1758147db2ac214690331d (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os dados simbólicos apresentam, em sua estrutura, formas interessantes para se transformar grandes bases de dados clássicos em novos conjuntos de dados de tamanho reduzido, facilitando a manipulação e proporcionando novas técnicas de análise dos mesmos. No entanto, mesmo com os recentes avanços promovidos por pesquisadores nesta área, o volume de técnicas de manipulação e, consequentemente, de análise de dados simbólicos (ADS) ainda é incipiente.
Uma série temporal do tipo intervalo (STI), no campo de dados simbólicos, pode ser definida como um conjunto de intervalos observados sequencialmente no tempo, em que cada intervalo é descrito por um vetor bidimensional com elementos em IR representados pelo limite superior e pelo limite inferior. O desenvolvimento de técnicas para previsão de STI é uma área de pesquisa muito promissora e os poucos resultados relatados na literatura surgiram muito recentemente.
Nesta tese, estendemos técnicas clássicas de análise de séries temporais para descrição, modelagem e previsão de STI no domínio de ADS. Neste contexto, nós apresentamos técnicas para descrição de uma STI, envolvendo cálculo de estatísticas sumárias e representação gráfica dos dados.
Na modelagem, apresentamos métodos que consistem na explicação do processo gerador da STI a partir de certo modelo, bem como métodos de estimação de parâmetros e métodos para avaliação da qualidade do modelo, em termos do ajuste
|
2 |
Uma nova proposta de cálculo do prêmio de risco: uma análise no mercado de capitais brasileiroRoma, Carolina Magda da Silva 29 January 2013 (has links)
Submitted by Suethene Souza (suethene.souza@ufpe.br) on 2015-03-05T17:54:19Z
No. of bitstreams: 2
DISSERTAÇÃO Carolina Magda da Silva Roma.pdf: 2200454 bytes, checksum: 5284fb965bb815a50d6895a8d2342228 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-05T17:54:19Z (GMT). No. of bitstreams: 2
DISSERTAÇÃO Carolina Magda da Silva Roma.pdf: 2200454 bytes, checksum: 5284fb965bb815a50d6895a8d2342228 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-01-29 / FACEPE / Com a presente pesquisa se propôs a apresentar uma nova maneira de mensurar o prêmio de
risco e analisar qual a melhor distribuição de probabilidade contínua que modela os dados
estudados para o período completo e segmentações. Mehra e Prescott (1985) analisaram o
prêmio de risco histórico por quase um século e obtiveram um resultado não suportado pela
teoria econômica financeira, o qual foi denominado Equity Premium Puzzle (EPP). O prêmio
de risco é estudado por diversos pesquisadores ao redor do mundo, porém, ainda hoje, não há
consenso sobre como mensurá-lo, sendo classicamente entendido como o retorno de um ativo
mais arriscado sobre um ativo livre de risco. Ele é uma variável integrante no cálculo do
Capital Asset Pricing Model, ou Modelo de Precificação de Ativos (CAPM), comumente
utilizado em finanças. Assim, buscou-se uma nova maneira de obter o prêmio de risco a partir
da equação diferencial estocástica do movimento browniano geométrico (MBG). Para tanto, o
prêmio foi calculado pela razão entre a diferença no retorno do índice Ibovespa (IBOV), para
duas ações com maior participação no respectivo índice, baseado na última carteira de 2012, a
Vale do Rio Doce (VALE5) e a Petrobrás (PETR4) e também para a empresa com maior
participação no índice de consumo, a AmBev (AMBV4) e o ativo livre de risco tendo, neste
caso, sido escolhido o Certificado de Depósito Interfinanceiro (CDI), com volatilidade para
janeiro de 1998 a julho de 2012. As distribuições do prêmio de risco utilizadas neste trabalho
foram gaussiana, Gama, T de Student, Weibull e logística. A volatilidade foi mensurada pelo
software Matlab, com uma rotina que altera o modelo ARMA+ família GARCH e a
distribuição do termo de erro com a gaussiana e T de Student, para que fosse escolhido aquele
que melhor captura as características das séries. Os resultados apontaram um prêmio de risco
pela média aritmética para os períodos completos em torno de 5,4% para o IBOV, 8,6% para a
AMBV4, 7,7% para a VALE5 e 5,8% para a PETR4. Quanto à distribuição de probabilidade,
predominaram, em muitos dos períodos segmentados escolhido pelos testes de aderência
Anderson-Darling (A-D), Kolmogorov-Smirnov (K-S) e Qui-Quadrado ( 2 ), em primeiro
lugar, a logística e, em segundo, a T de Student.
Palavras
|
Page generated in 0.0509 seconds