Submitted by Samuel Guimarães Filho (samuelgf@gmail.com) on 2017-03-07T01:39:40Z No. of bitstreams: 1 tese_samuel_revisao_1.pdf: 2212736 bytes, checksum: eef717244d02ccf54ceb936354c64525 (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2017-03-07T23:43:25Z (GMT) No. of bitstreams: 1 tese_samuel_revisao_1.pdf: 2212736 bytes, checksum: eef717244d02ccf54ceb936354c64525 (MD5) / Made available in DSpace on 2017-03-08T15:56:07Z (GMT). No. of bitstreams: 1 tese_samuel_revisao_1.pdf: 2212736 bytes, checksum: eef717244d02ccf54ceb936354c64525 (MD5) Previous issue date: 2017-02-10 / This work aims to test if the use of Google Trends as an exogenous variable improves the prediction of the monthly data for Brazilian Formal Job Creation (CAGED) compared to a model that uses only the lags themselves. For the selection of the model was used the algorithm Autometrics and for model comparison the Model Confidence Set. In addition, the model that uses Google Trends data will be compared with some market analyst’s forecasts. The results show that the model the uses the Google data as an exogenous variable is superior to the model that only uses the lag itself. However, this model was not able to overcome the market analysts. / Este trabalho tem como objetivo testar se o uso do Google Trends como variável exógena melhora a previsão do dado mensal do CAGED em relação a modelos que usam apenas as próprias defasagens. Para a seleção do modelo foi utilizado o algoritmo Autometrics e para comparação de modelos o utilzado o Model Confidence Set. Além disto, o modelo que utiliza o Google Trends foi comparado com previsões dos analistas de Mercado. Os resultados encontrados apontam que o modelo que utliza o Google Trends como variável exógena é superior ao modelo que utiliza apenas a própria defasagem. No entanto, este modelo, não foi capaz de superar os analistas de mercado.

Made available in DSpace on 2016-03-15T19:32:58Z (GMT). No. of bitstreams: 1 Marisa Gomes da Costa.pdf: 2649705 bytes, checksum: 9dfdf2c39e3c4389540dc1f3a8f8d26f (MD5) Previous issue date: 2016-02-01 / This study aims to identify the determinants of Brazil country risk level, during the period from February 1995 to August 2015, based on the deviations from the covered interest rate parity condition. These deviations represent a measure of the risk assumed by an investor who choose to invest in a Brazilian security in Brazil, rather than do it abroad. Using Autometrics, an algorithm for automatic model selection, developed by Doornik (2009), thirty-nine explanatories variables were selected from previous studies. The Brazil country risk level is susceptible to changes in the balance of payments, import by GDP, the deviation covered interest rate parity of the previous period, the inflation rate, the change in exports, total debt per GDP, and external debt by exports. / Este estudo propõe-se a identificar os fatores determinantes do nível do risco Brasil, durante o período de fevereiro de 1995 a agosto de 2015, calculado pelos desvios da condição da paridade coberta de juros. Estes desvios representam a medida do risco assumido por um investidor ao optar investir em um título brasileiro no Brasil, ao invés de fazê-lo no exterior. Utilizando a técnica de seleção automática de modelos com a aplicação do algoritmo Autometrics, desenvolvido por Doornik (2009), trinta e nove variáveis explicativas foram selecionadas a partir de estudos anteriores. O nível do risco Brasil é altamente suscetível às variações do balanço de pagamento, da importação por PIB, do desvio da condição da paridade coberta do período anterior, à taxa de inflação, à variação das exportações (em $ e em volume), à dívida total por PIB e à dívida externa pela exportação.