[pt] O objetivo principal desta tese introduzir um modelo
estruturado por árvores
que combina aspectos de duas metodologias: CART
(Classification and Regression
Tree) e STR (Smooth Transition Regression). O modelo aqui
denominado
STR-Tree. A idéia especificar um modelo não-linear
paramétrico através da estrutura
de uma árvore de decisão binária. O modelo resultante pode
ser analisado
como uma regressão com transição suave entre múltiplos
regimes. As decisões
sobre as divisões dos nós são inteiramente baseadas em
testes do tipo Multiplicadores
de Lagrange. Uma especificação alternativa baseada em
validação cruzada
também utilizada. Um experimento de Monte Carlo utilizado
para avaliar o
desempenho da metodologia proposta comparando-a com outras
técnicas comumente
utilizadas. Como resultado verifica-se que o modelo STR-
Tree supera o
tradicional CART quando seleciona a arquitetura de árvores
simuladas. Além do
mais, utilizar testes do tipo Multiplicadores de Lagrange
gera resultados melhores
do que procedimentos de validação cruzada. Quando foram
utilizadas bases
de dados reais, o modelo STR-Tree demonstrou habilidade
preditiva superior ao
CART. Através de uma aplicação, extende-se a metodologia
para a análise de
séries temporais. Neste caso, o modelo denominado STAR-
Tree, sendo obtido
através de uma árvore de decisão binária que ajusta
modelos autoregressivos de
primeira ordem nos regimes. A série de retornos da taxa de
câmbio Euro/Dólar
foi modelada e a capacidade preditiva e o desempenho
financeiro do modelo
foi comparado com metodologias padrões como previsões
ingênuas e modelos
ARMA. Como resultado obtido um modelo parcimonioso que
apresenta desempenho
estatístico equivalente às estratégias convencionais,
porém obtendo
resultados financeiros superiores. / [en] He main goal of this Thesis is to introduce a tree-
structured model that combines
aspects from two methodologies: CART (Classification and
Regression Trees)
and STR (Smooth Transition Regression). The model is
called STR-Tree, The
idea is to specify a nonlinear parametric model through
the structure of a binary
decision tree. The resulting modelo can be analyzed as a
smooth transition
regression model with multiple regimes. The decisions for
splitting the nodes
of the tree are entirely based on Lagrange Multipliers
tests. An alternative
specification that uses cross- validation is also tried. A
Monte Carlo Experiment
is used to evaluate the performance of the proposed
methodology and to compare
with other techniques that are commonly used. The results
showed that the STRTree
model outperformed the traditional CART when specifying
the architecture
of a simulated tree. Moreover, the use of Lagrange
Multipliers tests gave better
results than a cross-validation procedure. After applying
the model to real
datasets, it could be seen that STR-Tree showed superior
predictive ability when
compared to CART. The idea was extended to time series
analysis through an
application. In this situation, we call the model as STAR-
Tree which is obtained
through a binary decision tree that fits first-order
autoregressive models for
different regimes. The model was fitted to the returns of
Euro/Dolar exchange
rate time series and then evaluated statistically and
financially. Comparing with
the naive approach and ARMA methodology, the STAR-Tree was
parsimonious
and presented statistical performance equivalent to
others. The financial results
were better than the others.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:6708 |
Date | 22 July 2005 |
Creators | JOEL MAURICIO CORREA DA ROSA |
Contributors | ALVARO DE LIMA VEIGA FILHO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0026 seconds