Orientador: Luiz Koodi Hotta

Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica

Resumo: Mercados financeiros têm mostrado um grande interesse em intervalos de previsão como uma medida de incerteza. Além das previsões do nível, a previsão da volatilidade é importante em várias aplicações em finanças. O modelo GARCH tem sido bastante utilizado na modelagem da volatilidade. A...

Resumo: Mercados financeiros têm mostrado um grande interesse em intervalos de previsão como uma medida de incerteza. Além das previsões do nível, a previsão da volatilidade é importante em várias aplicações em finanças. O modelo GARCH tem sido bastante utilizado na modelagem da volatilidade. A partir deste modelo, outros modelos foram propostos para incorporar outros fatos estilizados, como o efeito de alavancagem. Neste sentido, temos os modelos EGARCH e GJR-GARCH. Os métodos tradicionais de construção de intervalos de previsão para séries temporais geralmente assumem que os parâmetros do modelo são conhecidos e os erros normais. Quando estas suposições não são verdadeiras, o que costuma acontecer na prática, o intervalo de previsão obtido tenderá a ter uma cobertura abaixo da nominal. Nesta dissertação propomos uma adaptação do algoritmo PRR (Pascual, Romo e Ruiz) desenvolvido para obter intervalos de previsão em modelos GARCH, para obter intervalos de previsão em modelos EGARCH e GJR-GARCH. As adaptações feitas são analisadas através de experimentos Monte Carlo e verifica-se que tiveram bom desempenho apresentando valores da cobertura estimada próximos da cobertura nominal. As adaptações propostas assim como o algoritmo PRR são aplicadas para obter intervalos de previsão dos retornos e das volatilidades para a série de retornos da Ibovespa e para a série NYSE COMPOSITE(DJ) da bolsa de valores de Nova Iorque, obtendo em ambos os casos resultados satisfatórios

Abstract: Financial Markets have shown a big interest in forecast intervals (prediction intervals) as a uncertain measure. Besides the level prediction, the prediction of the volatility is very important in many financial applications. The GARCH model, has been very used in volatility modeling. From...

Abstract: Financial Markets have shown a big interest in forecast intervals (prediction intervals) as a uncertain measure. Besides the level prediction, the prediction of the volatility is very important in many financial applications. The GARCH model, has been very used in volatility modeling. From this model, other have been proposed to incorporate other stylized facts, such as the leverage effect. In this sense, we have the EGARCH and GJR-GARCH models. Traditional methods for constructing predictions intervals for time series generally assume that the model parameters are known and the erros are normal. When these assumptions are not true, that it is very often in practice, the obtained prediction interval, will tend to have a cover under the nominal. In this theses we propose an adaptation of the PRR (Pascual, Romo and Ruiz) algorithm developed to obtain prediction intervals in GARCH models, to obtain prediction intervals in EGARCH and GJR-GARCH models. These adaptations are analized through Monte-Carlo experiments and It was verified that they have a good performance showing estimated cover values close to the nominal cover. The proposed adaptations, such as the PRR algorithm are applied to obtain prediction intervals from the returns and volatilities for the Ibovespa return series and for the New York Stock Exchange NYSE COMPOSITE(DJ) series, obtaining satisfactory results in both cases