[pt] O principal objetivo desta dissertação é comparar o desempenho de modelos
lineares e não-lineares de previsão de retornos de 23 ativos do mercado acionário
americano. Propõe-se o modelo STAR-Tree Heterocedástico, que faz uso da
metodologia do STAR-Tree (Smooth Transition AutoRegression Tree) aplicada a
séries temporais heterocedásticas. Com a disponibilidade de dados de retorno e da
volatilidade realizada de ações intra-diários, as séries de retornos são
transformadas através da divisão de cada retorno pela sua volatilidade realizada. A
série transformada apresenta variância constante. O modelo é uma combinação da metodologia STAR (Smooth Transition AutoRegression) e do
algoritmo CART (Classification and Regression Tree). O modelo resultante
pode ser interpretado como uma regressão de múltiplos regimes com transição
suave. A especificação do modelo é feita através de testes de Multiplicadores de
Lagrange, que indicam o nó a ser dividido e a variável de transição correspondente.
Os modelos de comparação usados são o modelo Média, o método Naive,
modelos lineares ARX e Redes Neurais. As previsões dos modelos foram avaliadas
através de medidas estatísticas e financeiras. Os resultados financeiros
baseam-se em uma regra de negociação automática que informa o momento de comprar e vender cada ativo. O modelo STAR-Tree Heterocedástico teve resultados
estatísticos equivalentes aos dos outros modelos, porém apresentou um desempenho
financeiro superior para a maioria das séries. A volatilidade realizada também foi
estimada usando a metodologia STAR-Tree, e sua previsão foi utilizada para
fazer uma análise de alavancagem financeira. / [en] The main goal of this dissertation is to compare the
performance of linear
and nonlinear models to forecast 23 assets of the American
Stocks Market. The
Heteroscedastic STAR-Tree Model is proposed using the STAR-
Tree (Smooth
Transition AutoRegression Tree) methodology applied to
heteroscedastic time
series. As assets returns and realized volatility intraday
data are available, the
returns series are transformed by dividing each return by
its realized volatility,
which gives homocedastic series. The model is a combination
of the STAR
(Smooth Transition AutoRegression) methodology and the CART
(Classification
and Regression Tree) algorithm. The resulting model can be
interpreted as a
smooth transition multiple regime regression. The model
specification is done by
Lagrange Multiplier tests that indicate the node to be
split and the corresponding
transition variable. The comparison models used are the
Mean model, Naive
method, ARX linear models and Neural Networks. The
forecasting models were
evaluated through statistical and financial measures. The
financial results are
based on an automatic trading rule that signals buy and
hold moments in each
stock. The Heteroscedastic STAR-Tree Model statistical
performance was
equivalent to the other models, however its financial
performance was superior for
most of the series. The STAR-Tree methodology was also
applied for forecasting
the realized volatility, and the forecasts were used in
financial leverage analysis.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:13209 |
Date | 30 March 2009 |
Creators | CAMILA ROSA EPPRECHT |
Contributors | ALVARO DE LIMA VEIGA FILHO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0064 seconds