[pt] Essa tese é composta por três artigos em econometria financeira.
Os dois primeiros artigos exploram a relação entre retornos intradiários
do mercado de equities e a implied volatility, representada pelo Índice de
Volatilidade da CBOE (VIX). Nos dois artigos, estimamos previsões um
minuto à frente utilizando janelas rolantes para cada dia. No primeiro
artigo, as estimativas indicam que nossos modelos de fatores de volatilidade
têm uma performance superior a benchmarks tradicionais em uma análise
de séries de tempo em alta frequência, mesmo aos excluirmos períodos de
crise da amostra. Os resultados também indicam uma performance fora da
amostra maior para dias em que não ocorrem anúncios macroeconômicos.
A performance é ainda maior quando removemos períodos de crise. O
segundo artigo propõe uma abordagem de aprendizado de máquinas para
modelar esse exercício de previsão. Implementamos um método de estimação
intradiário minuto a minuto com janelas móveis, utilizando dois tipos de
modelos não lineares: redes neurais com Long-Short-Term Memory (LSTM)
e Random Forests (RF). Nossas estimativas mostram que o VIX é o
melhor previsor de retornos de mercado intradiários entre os candidatos
na nossa análise, especialmente quando implementadas através do modelo
LSTM. Esse modelo também melhora significativamente a performance
quando utilizamos o retorno de mercado defasado como variável preditiva.
Finalmente, o último artigo explora uma extensão multivariada do método
FarmPredict, combinando modelos vetoriais autoregressivos aumentados em
fatores (FAVAR) e modelos esparsos em um ambiente de alta dimensão.
Utilizando um procedimento de três estágios, somos capazes de estimar e
prever fatores e seus loadings, que podem ser observados, não observados
ou ambos, assim como uma estrutura idiossincrática fracamente esparsa.
Realizamos uma aplicação dessa metodologia em um painel de volatilidades
realizadas e os resultados de performance do método em etapas indicam
melhorias quando comparado a benchmarks consolidados. / [en] This thesis is composed of three papers on financial econometrics.
The first two papers explore the relation between intraday equity market
returns and implied volatility, represented by the CBOE Volatility Index
(VIX). In both papers, we estimate one-minute-ahead forecasts using rolling
windows within a day. In the first paper, the estimates indicate that
our volatility factor models outperform traditional benchmarks at high
frequency time-series analysis, even when excluding crisis periods. We also
find that the model has a better out-of-sample performance at days without
macroeconomic announcements. Interestingly, these results are amplified
when we remove the crisis period. The second paper proposes a machine
learning modeling approach to this forecasting exercise. We implement a
minute-by-minute rolling window intraday estimation method using two
nonlinear models: Long-Short-Term Memory (LSTM) neural networks and
Random Forests (RF). Our estimations show that the VIX is the strongest
candidate predictor for intraday market returns in our analysis, especially
when implemented through the LSTM model. This model also improves
significantly the performance of the lagged market return as predictive
variable. Finally, the third paper explores a multivariate extension of the
FarmPredict method, by combining factor-augmented vector autoregressive
(FAVAR) and sparse models in a high-dimensional environment. Using a
three-stage procedure, we estimate and forecast factors and its loadings,
which can be observed, unobserved, or both, as well as a weakly sparse
idiosyncratic structure. We provide an application of this methodology to
a panel of daily realized volatilities. Finally, the accuracy of the stepwise
method indicates improvements of this forecasting method when compared
to consolidated benchmarks.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:60253 |
| Date | 18 August 2022 |
| Creators | IURI HONDA FERREIRA |
| Contributors | MARCELO CUNHA MEDEIROS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0018 seconds