Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-07-30T14:13:06Z No. of bitstreams: 1 RAFAEL BEZERRA CORREIA LIMA - TESE PPGEE 2016..pdf: 2324960 bytes, checksum: db1b63193864e8e19bcba191952df2b9 (MD5) / Made available in DSpace on 2018-07-30T14:13:06Z (GMT). No. of bitstreams: 1 RAFAEL BEZERRA CORREIA LIMA - TESE PPGEE 2016..pdf: 2324960 bytes, checksum: db1b63193864e8e19bcba191952df2b9 (MD5) Previous issue date: 2016-09-20 / Nesse trabalho são apresentadas contribuições na área de identificação de sistemas representados em espaço de estados. E proposta uma metodologia completa para estimação de modelos que representem as principais dinâmicas de processos industriais. O fluxo natural das procedimentos de identificação consiste da coleta experimental dos dados, seguido pela escolha dos modelos candidatos e da utilização de um critério de ajuste que selecione o melhor modelo possível. Nesse sentido é proposta uma metodologia para estimativa de modelos em espaço de estados, utilizando excitações pulsadas. A abordagem desenvolvida combina algoritmos precisos e eficientes com experimentos rápidos, adequados a ambientes industriais. O projeto das excitações é realizado em tempo real, por meio de informações coletadas em um curto experimento inicial, baseado em uma única oscilação de uma estrutura realimentada por um relê. Esse mecanismo possibilita uma estimativa preliminar do atraso e da constante de tempo dominante do sistema. O método de identificação proposto é baseado na teoria de realizações de Kalman. É apresentada uma reformulação do problema de realizações clássico, para comportar sinais de entrada pulsados. Essa abordagem se mostra computacionalmente eficiente, assim como apresenta resultados semelhantes aos métodos de benehmark. A técnica possibilita também a estimativa de atrasos de transporte e a inserção de conhecimentos prévios por meio de um problema de otimização com restrições via LMI Linear Matrix Incqualities. Em muitos casos, somente as características principais do sistema são relevantes em um projeto de sistema de controle. Portanto é proposta uma técnica para obtenção de modelos de primeira ordem com atraso, a partir da redução de modelos balanceados em espaço de estados. Por fim, todas as contribuições discutidas nesse trabalho de tese são validadas em uma série de plantas experimentais em escala de laboratório. Plantas essas, projetadas e construídas com o intuito de emular o cotidiano operacional de instalações industriais reais. / This work Íntroduces contributions related to thc field of systems identification of state space models. It is proposed a complete methodology for modei estimation that encompasses the main dynamics of industrial processes. The natural flxix of the identification procedures rests on the the empirical collection of data followed by the choice of candidate modela and posterior use ot an adjusting criteria that drafts the best model amoug the contenders. In this sense. a uew methodology is proposed for models estimation in state spaces using pulsed excitation signal. The developed approach combines accurate and efhcient algorithms with quick experíments whose are suitable for the industrial environment. The excitatiou design is performed in real time by means of information collected in a snort mitíai experíment based in an single oscillation of a relay feedback. This mechanism allows a preliminary estimation of both delay and time constant prevalent in the system. The identification method proposed is based on Kalmairs realization theory. The thesis íntroduces a reformulation of the classic realization problem so it can admit pulsed input signals. This approaíth show itself as computationally efficient as well as provides similar results eompared to those obtained when perfonning the benchmark methods. Moreover, the technic allows the transport delay estimation and insertion of prior knowledge by means of an optimization problem with restrictions via linear matrix inequalities restrictions. In many cases only the characteristics of the main system are relevant in control systems design. Therefore a technique for the attainment first order models with time delay based on balanced state space models reduction. Lastly ali the contributions provided aíong the thesis are discussed and validated in a series of pilot scale plants. designed and built to emulate the operational cycle in real industrial plants.

Exponential smoothing algorithms are very attractive for the practical world such as in industry. When considering bivariate exponential smoothing methods, in addition to the properties of univariate methods, additional properties give insight to relationships between the two components of a process, and also to the overall structure of the model. It is important to study these properties, but even with the merits the bivariate exponential smoothing algorithms have, exponential smoothing algorithms are nonstatistical/nonstochastic and to study the properties within exponential smoothing may be worthless. As an alternative approach, the (bivariate) ARIMA and the structural models which are classes of statistical models, are shown to generalize the exponential smoothing algorithms. We study these properties within these classes as they will have implications on exponential smoothing algorithms. Forecast properties are studied using the state space model and the Kalman filter. Comparison of ARIMA and structural model completes the study. / Mathematical Sciences / M. Sc. (Statistics)

Submitted by Juliane Andrade (juliane.a.andrade@gmail.com) on 2018-09-25T12:53:53Z No. of bitstreams: 1 DissertacaoFinalJulianeAndrade.pdf: 2648304 bytes, checksum: 0feea2eb88019ffdafb37180bd261f3b (MD5) / Approved for entry into archive by Joana Martorini (joana.martorini@fgv.br) on 2018-09-25T15:17:07Z (GMT) No. of bitstreams: 1 DissertacaoFinalJulianeAndrade.pdf: 2648304 bytes, checksum: 0feea2eb88019ffdafb37180bd261f3b (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-09-25T16:40:46Z (GMT) No. of bitstreams: 1 DissertacaoFinalJulianeAndrade.pdf: 2648304 bytes, checksum: 0feea2eb88019ffdafb37180bd261f3b (MD5) / Made available in DSpace on 2018-09-25T16:40:46Z (GMT). No. of bitstreams: 1 DissertacaoFinalJulianeAndrade.pdf: 2648304 bytes, checksum: 0feea2eb88019ffdafb37180bd261f3b (MD5) Previous issue date: 2018-08-16 / Esse trabalho apresenta análise combinada entre a macroeconomia e a estrutura a termo das taxas de juros, através de duas modelagens distintas. Primeiramente, utiliza-se o modelo Novo Keynesiano de pequeno porte, que é combinado com o modelo dinâmico de Nelson-Siegel. Em seguida estima-se o modelo dinâmico de Nelson-Siegel integrado com variáveis macroeconômicas. São empregados dados mensais referentes aos contratos futuros de DI, de Setembro de 2002 a Dezembro de 2017. A comparação das modelagens mostra que o modelo combinado apresenta resultados mais consistentes do que o modelo integrado. / This paper aims to present a combined analysis between macroeconomics and the term structure of interest rates, through two different models. Firstly, a small New Keynesian model is used, which is combined with the dynamic Nelson-Siegel model. Then the NelsonSiegel dynamic model integrated with macroeconomic variables is estimated. Monthly data on DI futures contracts are used from September 2002 to December 2017. Comparison of modeling shows that the combined model presents more consistent results than the integrated model.

Submitted by Alice Singer (lilicasinger@gmail.com) on 2013-02-27T16:25:59Z No. of bitstreams: 1 Dissertacao_Alice.pdf: 1210322 bytes, checksum: a587136246bce1145c8096d499e28342 (MD5) / Approved for entry into archive by Eliene Soares da Silva (eliene.silva@fgv.br) on 2013-02-27T16:28:28Z (GMT) No. of bitstreams: 1 Dissertacao_Alice.pdf: 1210322 bytes, checksum: a587136246bce1145c8096d499e28342 (MD5) / Made available in DSpace on 2013-02-27T16:33:15Z (GMT). No. of bitstreams: 1 Dissertacao_Alice.pdf: 1210322 bytes, checksum: a587136246bce1145c8096d499e28342 (MD5) Previous issue date: 2013-01-31 / Esse estudo foi motivado pela falta de bons fundos de investimento multimercado abertos para captação no Brasil e tem como objetivo analisar a viabilidade de utilizar a análise de estilo baseada em retorno para clonar retornos e comportamento de determinados fundos de investimento multimercado do mercado brasileiro. Modelos já testados no exterior e no Brasil foram pesquisados e optou-se por adaptar o modelo linear proposto por LIMA e VICENTE (2007). Verificou-se que o modelo de espaço de estados é mais adequado para clonar retornos de determinados fundos de investimento do que o modelo de regressão com parâmetros fixos. Resultados animadores foram obtidos para quatro dos cinco fundos analisados nesse estudo. / This work was motivated by the lack of hedge funds opened for new investments in Brazil and it aims to analyze the feasibility of using the style analyses to clone returns and behavior of certain Brazilian hedge funds. Models already tested abroad and in Brazil were investigated and it was decided to adapt the linear model proposed by LIMA and VICENTE (2007). It was found that the state space model is more suitable for cloning returns of certain hedge funds than fixed parameters regression models. Encouraging results were obtained for four of the five funds analyzed in this study.

Made available in DSpace on 2014-08-20T14:36:59Z (GMT). No. of bitstreams: 1 Dissertacao_Leandro_Sanzi_Aquino.pdf: 2633860 bytes, checksum: eeb09c0678ebe75556f513e8a4e089b7 (MD5) Previous issue date: 2010-02-25 / Soil land leveling is a technique used in low land areas and has the objective to improve agricultural use to facilitate the management of water both for irrigation and drainage operations, for the establishment of agricultural practices and crop harvest. However, it causes changes in the physical environment where the plant grows, and many studies have sought to identify the effect of this practice in the structure of soil spatial variability and in the relationship between the hydric-physical and chemical soil attributes. Thus, the objective of this study was to identify and characterize the structure of spatial variability of soil hydric-physical and chemical attributes of a low land soil, before and after land leveling, and to study the relationship between these soil attributes through an autoregressive state space model. In an experimental area of 0.81 ha belongs to Embrapa Clima Temperado situated in Capão do Leão county, state of Rio Grande do Sul, Brazil, was established a regular grid of 100 points spaced 10 m apart in both directions. At each point, soil disturbed and undisturbed samples were collected at the depth of 0-0.20 m to determine, before and after land leveling, the following soil attributes: clay, silt and sand contents, soil macroporosity, soil microporosity and soil total porosity, soil bulk density and soil water content at field capacity and permanent wilting point, soil organic carbon and cation exchange capacity. All data sets were organized into a spreadsheet in the form of a spatial transect consisting of 100 points and they were ordered following the gradient slope area resulting from the soil land leveling. Autocorrelograms and crosscorrelograms were built to evaluate the structure of spatial correlation of all soil attributes having served as a subsidy for the selection of variables in each autoregressive state-space model. The results show that the soil land leveling changed the structure of soil spatial dependence of all variables and between them as well. The soil cation exchange capacity and soil microporosity variables were the variables that made up the largest number of state space models, before and after soil land leveling. The contribution of the each variable at position i-1 to estimate its value at position increased to the sand content, silt content, soil bulk density, soil microporosity, soil macroporosity, soil water content at permanent wilting point, soil organic carbon and cation exchange capacity variables and decreased to soil water content at field capacity variable after land leveling. Soil land leveling improved the state space model performance for soil organic carbon content, sand content, soil bulk density, soil total porosity and soil water content at field capacity and permanent wilting point variables. The worst state space model performances, after soil land leveling, were found taking silt content, soil microporosity and cation exchange capacity variables as response variables. The best state space model performance, before land leveling, was obtained taking the soil total porosity as response variable. / A sistematização do solo é uma técnica utilizada em regiões planas, com características de várzea, e tem por objetivo aperfeiçoar o uso agrícola facilitando o manejo da água tanto de irrigação como de drenagem, as operações de implantação da lavoura, de tratos culturais e de colheita. No entanto, a sistematização do solo provoca alterações no ambiente físico onde a planta se desenvolve, sendo que muitos estudos têm buscado identificar o efeito dessa prática na estrutura de variabilidade espacial e no relacionamento entre os atributos físico-hídricos e químicos do solo. Dessa forma, o objetivo deste trabalho foi identificar e caracterizar a estrutura de variabilidade espacial dos atributos físico-hídricos e químicos de um solo de várzea, antes e depois da sistematização, assim como estudar o relacionamento entre esses atributos por meio de um modelo autoregressivo de espaço de estados. Em uma área experimental de 0,81 ha pertencente a Embrapa Clima Temperado, Capão do Leão-RS, foi estabelecida uma malha regular de 100 pontos, espaçados de 10 m entre si em ambas as direções. Em cada ponto foram coletadas amostras de solo deformadas e com estrutura preservada na profundidade de 0-0,20 m para a determinação, antes e depois da sistematização, dos teores de argila, silte e areia, macroporosidade, microporosidade e porosidade total, densidade do solo, conteúdo de água retido na capacidade de campo e ponto de murcha permanente, carbono orgânico e capacidade de troca de cátions. Os dados foram organizados em uma planilha de cálculo na forma de uma transeção espacial composta de 100 pontos e foram ordenados seguindo o gradiente de declividade da área resultante do processo de sistematização do solo. Para avaliar a estrutura de correlação espacial foram construídos autocorrelogramas e crosscorrelogramas que serviram de subsídio para a seleção de variáveis em cada um dos modelos autoregressivos de espaço de estados. Os resultados mostram que a sistematização do solo alterou a estrutura de dependência espacial tanto da variável como entre as variáveis deste estudo. A capacidade de troca de cátions e a microporosidade do solo foram as variáveis que compuseram o maior número de modelos de espaço de estados, antes e depois da sistematização. A contribuição da variável na posição i-1 na estimativa na posição i, por meio do modelo autoregressivo de espaço de estados, aumentou com a sistematização para as variáveis teor de areia, teor de silte, densidade do solo, microporosidade, macroporosidade, conteúdo de água no solo retido no ponto de murcha permanente, carbono orgânico e da capacidade de troca de cátions; e diminuiu para a variável conteúdo de água no solo retido na capacidade de campo.A sistematização do solo melhorou a estimativa, por meio dos modelos de espaço de estados, das variáveis carbono orgânico, teor de areia, densidade do solo, macroporosidade e do conteúdo de água no solo retido na capacidade de campo e no ponto de murcha permanente, sendo o modelo da variável porosidade total, antes da sistematização, que apresentou o melhor desempenho. Já os piores desempenhos dos modelos, depois da sistematização do solo, foram encontrados quando utilizadas as variáveis teor de silte, microporosidade e capacidade de troca de cátions como resposta.

Le volume des données disponibles permettant de décrire l’environnement, en particulier l’atmosphère et les océans, s’est accru à un rythme exponentiel. Ces données regroupent des observations et des sorties de modèles numériques. Les observations (satellite, in situ, etc.) sont généralement précises mais sujettes à des erreurs de mesure et disponibles avec un échantillonnage spatio-temporel irrégulier qui rend leur exploitation directe difficile. L’amélioration de la compréhension des processus physiques associée à la plus grande capacité des ordinateurs ont permis des avancées importantes dans la qualité des modèles numériques. Les solutions obtenues ne sont cependant pas encore de qualité suffisante pour certaines applications et ces méthodes demeurent lourdes à mettre en œuvre. Filtrage et lissage (les méthodes d’assimilation de données séquentielles en pratique) sont développés pour abonder ces problèmes. Ils sont généralement formalisées sous la forme d’un modèle espace-état, dans lequel on distingue le modèle dynamique qui décrit l’évolution du processus physique (état), et le modèle d’observation qui décrit le lien entre le processus physique et les observations disponibles. Dans cette thèse, nous abordons trois problèmes liés à l’inférence statistique pour les modèles espace-états: reconstruction de l’état, estimation des paramètres et remplacement du modèle dynamique par un émulateur construit à partir de données. Pour le premier problème, nous introduirons tout d’abord un algorithme de lissage original qui combine les algorithmes Conditional Particle Filter (CPF) et Backward Simulation (BS). Cet algorithme CPF-BS permet une exploration efficace de l’état de la variable physique, en raffinant séquentiellement l’exploration autour des trajectoires qui respectent le mieux les contraintes du modèle dynamique et des observations. Nous montrerons sur plusieurs modèles jouets que, à temps de calcul égal, l’algorithme CPF-BS donne de meilleurs résultats que les autres CPF et l’algorithme EnKS stochastique qui est couramment utilisé dans les applications opérationnelles. Nous aborderons ensuite le problème de l’estimation des paramètres inconnus dans les modèles espace-état. L’algorithme le plus usuel en statistique pour estimer les paramètres d’un modèle espace-état est l’algorithme EM qui permet de calculer itérativement une approximation numérique des estimateurs du maximum de vraisemblance. Nous montrerons que les algorithmes EM et CPF-BS peuvent être combinés efficacement pour estimer les paramètres d’un modèle jouet. Pour certaines applications, le modèle dynamique est inconnu ou très coûteux à résoudre numériquement mais des observations ou des simulations sont disponibles. Il est alors possible de reconstruire l’état conditionnellement aux observations en utilisant des algorithmes de filtrage/lissage dans lesquels le modèle dynamique est remplacé par un émulateur statistique construit à partir des observations. Nous montrerons que les algorithmes EM et CPF-BS peuvent être adaptés dans ce cadre et permettent d’estimer de manière non-paramétrique le modèle dynamique de l’état à partir d'observations bruitées. Pour certaines applications, le modèle dynamique est inconnu ou très coûteux à résoudre numériquement mais des observations ou des simulations sont disponibles. Il est alors possible de reconstruire l’état conditionnellement aux observations en utilisant des algorithmes de filtrage/lissage dans lesquels le modèle dynamique est remplacé par un émulateur statistique construit à partir des observations. Nous montrerons que les algorithmes EM et CPF-BS peuvent être adaptés dans ce cadre et permettent d’estimer de manière non-paramétrique le modèle dynamique de l’état à partir d'observations bruitées. Enfin, les algorithmes proposés sont appliqués pour imputer les données de vent (produit par Météo France). / The amount of both observational and model-simulated data within the environmental, climate and ocean sciences has grown at an accelerating rate. Observational (e.g. satellite, in-situ...) data are generally accurate but still subject to observational errors and available with a complicated spatio-temporal sampling. Increasing computer power and understandings of physical processes have permitted to advance in models accuracy and resolution but purely model driven solutions may still not be accurate enough. Filtering and smoothing (or sequential data assimilation methods) have developed to tackle the issues. Their contexts are usually formalized under the form of a space-state model including the dynamical model which describes the evolution of the physical process (state), and the observation model which describes the link between the physical process and the available observations. In this thesis, we tackle three problems related to statistical inference for nonlinear state-space models: state reconstruction, parameter estimation and replacement of the dynamic model by an emulator constructed from data. For the first problem, we will introduce an original smoothing algorithm which combines the Conditional Particle Filter (CPF) and Backward Simulation (BS) algorithms. This CPF-BS algorithm allows for efficient exploration of the state of the physical variable, sequentially refining exploration around trajectories which best meet the constraints of the dynamic model and observations. We will show on several toy models that, at the same computation time, the CPF-BS algorithm gives better results than the other CPF algorithms and the stochastic EnKS algorithm which is commonly used in real applications. We will then discuss the problem of estimating unknown parameters in state-space models. The most common statistical algorithm for estimating the parameters of a space-state model is based on EM algorithm, which makes it possible to iteratively compute a numerical approximation of the maximum likelihood estimators. We will show that the EM and CPF-BS algorithms can be combined to effectively estimate the parameters in toy models. In some applications, the dynamical model is unknown or very expensive to solve numerically but observations or simulations are available. It is thence possible to reconstruct the state conditionally to the observations by using filtering/smoothing algorithms in which the dynamical model is replaced by a statistical emulator constructed from the observations. We will show that the EM and CPF-BS algorithms can be adapted in this framework and allow to provide non-parametric estimation of the dynamic model of the state from noisy observations. Finally the proposed algorithms are applied to impute wind data (produced by Méteo France).

Durant ces dernières années, les architectures de réseaux de neurones (RN) ont été appliquées avec succès à de nombreuses applications en Traitement Automatique de Langues (TAL), comme par exemple en Reconnaissance Automatique de la Parole (RAP) ainsi qu'en Traduction Automatique (TA).Pour la tâche de modélisation statique de la langue, ces modèles considèrent les unités linguistiques (c'est-à-dire des mots et des segments) à travers leurs projections dans un espace continu (multi-dimensionnel), et la distribution de probabilité à estimer est une fonction de ces projections.Ainsi connus sous le nom de "modèles continus" (MC), la particularité de ces derniers se trouve dans l'exploitation de la représentation continue qui peut être considérée comme une solution au problème de données creuses rencontré lors de l'utilisation des modèles discrets conventionnels.Dans le cadre de la TA, ces techniques ont été appliquées dans les modèles de langue neuronaux (MLN) utilisés dans les systèmes de TA, et dans les modèles continus de traduction (MCT).L'utilisation de ces modèles se sont traduit par d'importantes et significatives améliorations des performances des systèmes de TA. Ils sont néanmoins très coûteux lors des phrases d'apprentissage et d'inférence, notamment pour les systèmes ayant un grand vocabulaire.Afin de surmonter ce problème, l'architecture SOUL (pour "Structured Output Layer" en anglais) et l'algorithme NCE (pour "Noise Contrastive Estimation", ou l'estimation contrastive bruitée) ont été proposés: le premier modifie la structure standard de la couche de sortie, alors que le second cherche à approximer l'estimation du maximum de vraisemblance (MV) par une méthode d’échantillonnage.Toutes ces approches partagent le même critère d'estimation qui est la log-vraisemblance; pourtant son utilisation mène à une incohérence entre la fonction objectif définie pour l'estimation des modèles, et la manière dont ces modèles seront utilisés dans les systèmes de TA.Cette dissertation vise à concevoir de nouvelles procédures d'entraînement des MC, afin de surmonter ces problèmes.Les contributions principales se trouvent dans l'investigation et l'évaluation des méthodes d'entraînement efficaces pour MC qui visent à: (i) réduire le temps total de l'entraînement, et (ii) améliorer l'efficacité de ces modèles lors de leur utilisation dans les systèmes de TA.D'un côté, le coût d'entraînement et d'inférence peut être réduit (en utilisant l'architecture SOUL ou l'algorithme NCE), ou la convergence peut être accélérée.La dissertation présente une analyse empirique de ces approches pour des tâches de traduction automatique à grande échelle.D'un autre côté, nous proposons un cadre d'apprentissage discriminant qui optimise la performance du système entier ayant incorporé un modèle continu.Les résultats expérimentaux montrent que ce cadre d'entraînement est efficace pour l'apprentissage ainsi que pour l'adaptation des MC au sein des systèmes de TA, ce qui ouvre de nouvelles perspectives prometteuses. / Over the past few years, neural network (NN) architectures have been successfully applied to many Natural Language Processing (NLP) applications, such as Automatic Speech Recognition (ASR) and Statistical Machine Translation (SMT).For the language modeling task, these models consider linguistic units (i.e words and phrases) through their projections into a continuous (multi-dimensional) space, and the estimated distribution is a function of these projections. Also qualified continuous-space models (CSMs), their peculiarity hence lies in this exploitation of a continuous representation that can be seen as an attempt to address the sparsity issue of the conventional discrete models. In the context of SMT, these echniques have been applied on neural network-based language models (NNLMs) included in SMT systems, and oncontinuous-space translation models (CSTMs). These models have led to significant and consistent gains in the SMT performance, but are also considered as very expensive in training and inference, especially for systems involving large vocabularies. To overcome this issue, Structured Output Layer (SOUL) and Noise Contrastive Estimation (NCE) have been proposed; the former modifies the standard structure on vocabulary words, while the latter approximates the maximum-likelihood estimation (MLE) by a sampling method. All these approaches share the same estimation criterion which is the MLE ; however using this procedure results in an inconsistency between theobjective function defined for parameter stimation and the way models are used in the SMT application. The work presented in this dissertation aims to design new performance-oriented and global training procedures for CSMs to overcome these issues. The main contributions lie in the investigation and evaluation of efficient training methods for (large-vocabulary) CSMs which aim~:(a) to reduce the total training cost, and (b) to improve the efficiency of these models when used within the SMT application. On the one hand, the training and inference cost can be reduced (using the SOUL structure or the NCE algorithm), or by reducing the number of iterations via a faster convergence. This thesis provides an empirical analysis of these solutions on different large-scale SMT tasks. On the other hand, we propose a discriminative training framework which optimizes the performance of the whole system containing the CSM as a component model. The experimental results show that this framework is efficient to both train and adapt CSM within SMT systems, opening promising research perspectives.

Ma thèse est composée de trois chapitres reliés à l'estimation des modèles espace-état et volatilité stochastique. Dans le première article, nous développons une procédure de lissage de l'état, avec efficacité computationnelle, dans un modèle espace-état linéaire et gaussien. Nous montrons comment exploiter la structure particulière des modèles espace-état pour tirer les états latents efficacement. Nous analysons l'efficacité computationnelle des méthodes basées sur le filtre de Kalman, l'algorithme facteur de Cholesky et notre nouvelle méthode utilisant le compte d'opérations et d'expériences de calcul. Nous montrons que pour de nombreux cas importants, notre méthode est plus efficace. Les gains sont particulièrement grands pour les cas où la dimension des variables observées est grande ou dans les cas où il faut faire des tirages répétés des états pour les mêmes valeurs de paramètres. Comme application, on considère un modèle multivarié de Poisson avec le temps des intensités variables, lequel est utilisé pour analyser le compte de données des transactions sur les marchés financières. Dans le deuxième chapitre, nous proposons une nouvelle technique pour analyser des modèles multivariés à volatilité stochastique. La méthode proposée est basée sur le tirage efficace de la volatilité de son densité conditionnelle sachant les paramètres et les données. Notre méthodologie s'applique aux modèles avec plusieurs types de dépendance dans la coupe transversale. Nous pouvons modeler des matrices de corrélation conditionnelles variant dans le temps en incorporant des facteurs dans l'équation de rendements, où les facteurs sont des processus de volatilité stochastique indépendants. Nous pouvons incorporer des copules pour permettre la dépendance conditionnelle des rendements sachant la volatilité, permettant avoir différent lois marginaux de Student avec des degrés de liberté spécifiques pour capturer l'hétérogénéité des rendements. On tire la volatilité comme un bloc dans la dimension du temps et un à la fois dans la dimension de la coupe transversale. Nous appliquons la méthode introduite par McCausland (2012) pour obtenir une bonne approximation de la distribution conditionnelle à posteriori de la volatilité d'un rendement sachant les volatilités d'autres rendements, les paramètres et les corrélations dynamiques. Le modèle est évalué en utilisant des données réelles pour dix taux de change. Nous rapportons des résultats pour des modèles univariés de volatilité stochastique et deux modèles multivariés. Dans le troisième chapitre, nous évaluons l'information contribuée par des variations de volatilite réalisée à l'évaluation et prévision de la volatilité quand des prix sont mesurés avec et sans erreur. Nous utilisons de modèles de volatilité stochastique. Nous considérons le point de vue d'un investisseur pour qui la volatilité est une variable latent inconnu et la volatilité réalisée est une quantité d'échantillon qui contient des informations sur lui. Nous employons des méthodes bayésiennes de Monte Carlo par chaîne de Markov pour estimer les modèles, qui permettent la formulation, non seulement des densités a posteriori de la volatilité, mais aussi les densités prédictives de la volatilité future. Nous comparons les prévisions de volatilité et les taux de succès des prévisions qui emploient et n'emploient pas l'information contenue dans la volatilité réalisée. Cette approche se distingue de celles existantes dans la littérature empirique en ce sens que ces dernières se limitent le plus souvent à documenter la capacité de la volatilité réalisée à se prévoir à elle-même. Nous présentons des applications empiriques en utilisant les rendements journaliers des indices et de taux de change. Les différents modèles concurrents sont appliqués à la seconde moitié de 2008, une période marquante dans la récente crise financière. / My thesis consists of three chapters related to the estimation of state space models and stochastic volatility models. In the first chapter we develop a computationally efficient procedure for state smoothing in Gaussian linear state space models. We show how to exploit the special structure of state-space models to draw latent states efficiently. We analyze the computational efficiency of Kalman-filter-based methods, the Cholesky Factor Algorithm, and our new method using counts of operations and computational experiments. We show that for many important cases, our method is most efficient. Gains are particularly large for cases where the dimension of observed variables is large or where one makes repeated draws of states for the same parameter values. We apply our method to a multivariate Poisson model with time-varying intensities, which we use to analyze financial market transaction count data. In the second chapter, we propose a new technique for the analysis of multivariate stochastic volatility models, based on efficient draws of volatility from its conditional posterior distribution. It applies to models with several kinds of cross-sectional dependence. Full VAR coefficient and covariance matrices give cross-sectional volatility dependence. Mean factor structure allows conditional correlations, given states, to vary in time. The conditional return distribution features Student's t marginals, with asset-specific degrees of freedom, and copulas describing cross-sectional dependence. We draw volatility as a block in the time dimension and one-at-a-time in the cross-section. Following McCausland(2012), we use close approximations of the conditional posterior distributions of volatility blocks as Metropolis-Hastings proposal distributions. We illustrate using daily return data for ten currencies. We report results for univariate stochastic volatility models and two multivariate models. In the third chapter, we evaluate the information contributed by (variations of) realized volatility to the estimation and forecasting of volatility when prices are measured with and without error using a stochastic volatility model. We consider the viewpoint of an investor for whom volatility is an unknown latent variable and realized volatility is a sample quantity which contains information about it. We use Bayesian Markov Chain Monte Carlo (MCMC) methods to estimate the models, which allow the formulation of the posterior densities of in-sample volatilities, and the predictive densities of future volatilities. We then compare the volatility forecasts and hit rates from predictions that use and do not use the information contained in realized volatility. This approach is in contrast with most of the empirical realized volatility literature which most often documents the ability of realized volatility to forecast itself. Our empirical applications use daily index returns and foreign exchange during the 2008-2009 financial crisis.

Cette thèse concerne la modélisation de la dynamique des courbes des taux internationales avec prise en compte de plusieurs canaux de dépendance. A l’aide d’une nouvelle base de données des taux souverains internationaux, nous observons que le critère de la variabilité expliquée, proposé par la littérature, n’est pas capable de sélectionner une meilleure combinaison des facteurs décrivant la dynamique jointe des courbes des taux. Nous proposons une méthode nouvelle de section des facteurs fondée sur la maximisation de vraisemblance d’un modèle espace-état linéaire gaussien avec facteurs communs et locaux. Le problème d’identification associée est résolu d’une façon novatrice. En estimant différents combinaisons de pays, nous sélectionnons des deux facteurs globaux et trois locaux ayant un pouvoir prédictif des variables macro-économiques (activité économique et taux d’inflation) dans chaque économie considérée. Notre méthode nous permet aussi de détecter des facteurs cachés dans les rendements obligataires. Ils ne sont pas visibles à travers une analyse classique en composant principales des rendements obligataires et ils contribuent à la prévision du taux d’inflation et du taux de croissance de la production industrielle. / The aim of this thesis is to model the dynamics of international term structure of interest rates taking into consideration several dependence channels.Thanks to a new international Treasury yield curve database, we observe that the explained variability decision criterion, suggested by the literature, is not able to select the best combination of factors characterizing the joint dynamics of yield curves. We propose a new methodology based on the maximisation of the likelihood function of a Gaussian state-space model with common and local factors. The associated identification problem is solved in an innovative way. By estimating several sets of countries, we select two global (and three local) factors which are also useful to forecast macroeconomic variables in each considered economy.In addition, our method allows us to detect hidden factors in the international bond returns. They are not visible through a classical principal component analysis of expected bond returns but they are helpful to forecast inflation and industrial production. Keywords: International treasury yield curves, common and local factors, state-space models, EM algorithm, International bond risk premia, principal components.

Ma thèse est composée de trois chapitres reliés à l'estimation des modèles espace-état et volatilité stochastique. Dans le première article, nous développons une procédure de lissage de l'état, avec efficacité computationnelle, dans un modèle espace-état linéaire et gaussien. Nous montrons comment exploiter la structure particulière des modèles espace-état pour tirer les états latents efficacement. Nous analysons l'efficacité computationnelle des méthodes basées sur le filtre de Kalman, l'algorithme facteur de Cholesky et notre nouvelle méthode utilisant le compte d'opérations et d'expériences de calcul. Nous montrons que pour de nombreux cas importants, notre méthode est plus efficace. Les gains sont particulièrement grands pour les cas où la dimension des variables observées est grande ou dans les cas où il faut faire des tirages répétés des états pour les mêmes valeurs de paramètres. Comme application, on considère un modèle multivarié de Poisson avec le temps des intensités variables, lequel est utilisé pour analyser le compte de données des transactions sur les marchés financières. Dans le deuxième chapitre, nous proposons une nouvelle technique pour analyser des modèles multivariés à volatilité stochastique. La méthode proposée est basée sur le tirage efficace de la volatilité de son densité conditionnelle sachant les paramètres et les données. Notre méthodologie s'applique aux modèles avec plusieurs types de dépendance dans la coupe transversale. Nous pouvons modeler des matrices de corrélation conditionnelles variant dans le temps en incorporant des facteurs dans l'équation de rendements, où les facteurs sont des processus de volatilité stochastique indépendants. Nous pouvons incorporer des copules pour permettre la dépendance conditionnelle des rendements sachant la volatilité, permettant avoir différent lois marginaux de Student avec des degrés de liberté spécifiques pour capturer l'hétérogénéité des rendements. On tire la volatilité comme un bloc dans la dimension du temps et un à la fois dans la dimension de la coupe transversale. Nous appliquons la méthode introduite par McCausland (2012) pour obtenir une bonne approximation de la distribution conditionnelle à posteriori de la volatilité d'un rendement sachant les volatilités d'autres rendements, les paramètres et les corrélations dynamiques. Le modèle est évalué en utilisant des données réelles pour dix taux de change. Nous rapportons des résultats pour des modèles univariés de volatilité stochastique et deux modèles multivariés. Dans le troisième chapitre, nous évaluons l'information contribuée par des variations de volatilite réalisée à l'évaluation et prévision de la volatilité quand des prix sont mesurés avec et sans erreur. Nous utilisons de modèles de volatilité stochastique. Nous considérons le point de vue d'un investisseur pour qui la volatilité est une variable latent inconnu et la volatilité réalisée est une quantité d'échantillon qui contient des informations sur lui. Nous employons des méthodes bayésiennes de Monte Carlo par chaîne de Markov pour estimer les modèles, qui permettent la formulation, non seulement des densités a posteriori de la volatilité, mais aussi les densités prédictives de la volatilité future. Nous comparons les prévisions de volatilité et les taux de succès des prévisions qui emploient et n'emploient pas l'information contenue dans la volatilité réalisée. Cette approche se distingue de celles existantes dans la littérature empirique en ce sens que ces dernières se limitent le plus souvent à documenter la capacité de la volatilité réalisée à se prévoir à elle-même. Nous présentons des applications empiriques en utilisant les rendements journaliers des indices et de taux de change. Les différents modèles concurrents sont appliqués à la seconde moitié de 2008, une période marquante dans la récente crise financière. / My thesis consists of three chapters related to the estimation of state space models and stochastic volatility models. In the first chapter we develop a computationally efficient procedure for state smoothing in Gaussian linear state space models. We show how to exploit the special structure of state-space models to draw latent states efficiently. We analyze the computational efficiency of Kalman-filter-based methods, the Cholesky Factor Algorithm, and our new method using counts of operations and computational experiments. We show that for many important cases, our method is most efficient. Gains are particularly large for cases where the dimension of observed variables is large or where one makes repeated draws of states for the same parameter values. We apply our method to a multivariate Poisson model with time-varying intensities, which we use to analyze financial market transaction count data. In the second chapter, we propose a new technique for the analysis of multivariate stochastic volatility models, based on efficient draws of volatility from its conditional posterior distribution. It applies to models with several kinds of cross-sectional dependence. Full VAR coefficient and covariance matrices give cross-sectional volatility dependence. Mean factor structure allows conditional correlations, given states, to vary in time. The conditional return distribution features Student's t marginals, with asset-specific degrees of freedom, and copulas describing cross-sectional dependence. We draw volatility as a block in the time dimension and one-at-a-time in the cross-section. Following McCausland(2012), we use close approximations of the conditional posterior distributions of volatility blocks as Metropolis-Hastings proposal distributions. We illustrate using daily return data for ten currencies. We report results for univariate stochastic volatility models and two multivariate models. In the third chapter, we evaluate the information contributed by (variations of) realized volatility to the estimation and forecasting of volatility when prices are measured with and without error using a stochastic volatility model. We consider the viewpoint of an investor for whom volatility is an unknown latent variable and realized volatility is a sample quantity which contains information about it. We use Bayesian Markov Chain Monte Carlo (MCMC) methods to estimate the models, which allow the formulation of the posterior densities of in-sample volatilities, and the predictive densities of future volatilities. We then compare the volatility forecasts and hit rates from predictions that use and do not use the information contained in realized volatility. This approach is in contrast with most of the empirical realized volatility literature which most often documents the ability of realized volatility to forecast itself. Our empirical applications use daily index returns and foreign exchange during the 2008-2009 financial crisis.