Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouYago Veiga Tomé Alterado mais de 8 anos atrás
1
Projeções de Séries Temporais – Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho – Setembro 2007
2
Objetivo do curso Capacitar o aluno a realizar previsões de séries de tempo financeiras e econômicas
3
Previsão de séries temporais Tipos de previsão E(Y t | t ) E(Y t | t-1 ) V(Y t | t-1 ) V(Y t | t-1 )
4
Previsão de séries temporais Exemplos E(Y t | t )= + x t E(Y t | t-1 ) = + x t-1 E(Y t | t-1 ) = + y t-1 V(Y t | t-1 ) = + t-1 V(Y t | t-1 ) = + t-1
5
Modelo Clássico de séries temporais Decomposição da série em Ciclo (C), Tendência(T), Sazonalidade (estacionalidade) (S) e Irregular (I). Y = C + T + S + I (linear) Y = C T S I (multiplicativo) lnY = lnC + lnT + lnS + lnI y = c + t + s + i y = c + t + s + i
6
Modelo Clássico de séries temporais Ciclo é relativamente pouco estudado pois exige séries que envolvem décadas (problema de quebras estruturais), ou é incluído na tendência (não linear). Modelo básico: ruído branco Y = I y t = + t onde t ~iid(0, 2 )
7
Modelo Clássico de séries temporais Componentes fixos (não estocásticos): T= t S = s d st onde d st =1 se mês / trimestre / dia da semana = s e d st =0 em outros casos.
8
Modelo Clássico de séries temporais – exemplo simples y t = + t + s d st + t Série sem tendência: z t = y t – + t Série sem sazonalidade: z t = y t – – s d st Série sem tendência nem sazonalidade t = y t – – t – s d st t = y t – – t – s d st
9
Modelo Clássico de séries temporais – exemplo simples Gráficos
10
Avaliação do Modelo de Previsão Considera-se um bom modelo de previsão aquele Com previsões não viesadas; Eficiente (menor erro de previsão); Usa toda a informação disponível; Parcimonioso (lâmina de Occam).
11
Outro modo de ver o problema O Objetivo é exaurir a informação disponível em y, a partir das informações de , de modo que o “erro” não tenha nenhuma informação sistemática. Em outras palavras, para =x, sabendo que V(y) = 2 V( x) + V( ) queremos ter um modelo onde: V( ) <<V(y), e seja ruído branco.
12
Medidas de avaliação de modelos Para avaliar se as previsões são não viesadas, avaliar graficamente; Para avaliar se o erro de previsão (dentro e fora da amostra) é pequeno, considera-se as seguintes medidas: MSE = (y t – ÿ t ) 2 /T MAE = |y t – ÿ t |/T AIC= T ln (SQR) + 2 k SIC= T ln (SQR) + k ln(T)
13
Medidas de avaliação de modelos Para avaliar se toda a informação está sendo empregada, usamos Testes de especificação (autocorrelação); e Teste de variáveis omitidas. Para avaliar se o modelo é parcimonioso, usamos critérios de informação como SIC e/ou R 2 -ajustado.
14
Lembrando as Hipóteses do Modelo 1.Relacionamento linear entre as variáveis 2. E( i ) = 0 3. E( i 2 ) = 2 (constante) 4.Os erros são independentes entre si: E( i j ) = 0, i j = 1, 2, 3... 5.Os erros e as variáveis explicativas são independentes: E(x ki i ) = 0 6.Distribuição Normal dos erros: ~iid N(0, 2 ) 7.As variáveis explicativas não podem ser combinações lineares entre si.
15
Testes dos Resíduos 1. Autocorrelação1. Autocorrelação Correlação no tempo (ontem ajudando a prever hoje), i.e., Cor(e t, e t-s ) 0. Problemas da autocorrelação: inferência errada (desvios padrões dos coeficientes calculados de modo errôneo). Diagnóstico: Correlograma Diagnóstico: Test Serial Correlation LM: significância da regressão de e t em função de e t-1, e t- 2,..., e t-p Solução: incluir termos autoregressivos, MQG ou corrigir desvios padrões (Método Newey-West.)
16
Modelo de séries temporais Componentes aleatórios (não estocásticos): I = 1 y t-1 + 2 y t-2, onde | |<1 T= y t-1, onde =1 S = s y t-s onde s=4, se dados trimestrais, s=12 se dados anuais, etc...
17
Modelo de séries temporais Modelo com tendência estocástica (random walk): y t = + y t-1 + t ou y t = y t - y t-1 = + t (retornos, ao invés de preços)
18
Modelo de séries temporais Modelo com tendência e sazonalidade estocástica: z t = y t z t = + s z t-4 + t ou (1- L)(1- s L 4 ) y t = + t A(L) y t = + t Onde L é o operador de defasagens e A(L) é um polinômio em L.
19
Propriedades do operador de defasagem L i y t = y t-i L -i y t = y t+i Lc = c (L i + L j )y t = y t-i + y t-j L i L j y t = y t-(i+j) Se | |<1, (1- L- 2 L 2 - 3 L 3 -...)= 1/(1- L) Se | |>1, (1- L- 2 L 2 - 3 L 3 -...)= - L/(1- L)
20
Propriedades de uma série de tempo Uma série de tempo apresenta a peculiaridade de que temos amostras de tamanho 1 apenas para cada data t. Para podermos empregar o instrumental estatístico usual em uma série de tempo, algumas condições tem de ser verificadas, para que a série seja estacionária (fracamente estacionária / estac. de 2a ordem / estac. na covariância).
21
Estacionariedade de uma série de tempo Condições para estacionariedade E(y t )= V(y t ) = 2 Cov(y t, y t-s ) = s Note que a média, variância e covariância não dependem da data em que está sendo avaliada (t). Desta forma qualquer período é representativo do comportamento da série.
22
Estacionariedade de uma série de tempo As propriedades da série de tempo A(L)y t = + t dependem do polinômio A(L), que faz com que a série seja uma equação em diferenças. “Uma equação em diferenças expressa o valor de uma variável em termos de seus valores defasados, do tempo e outras variáveis”. As raízes do polinômio (propriedades) influenciam as propriedades estatísticas das séries.
23
Estacionariedade de uma série de tempo As propriedades da série de tempo A(L)y t = + t dependem do polinômio A(L), que faz com que a série seja uma equação em diferenças. “Uma equação em diferenças expressa o valor de uma variável em termos de seus valores defasados, do tempo e outras variáveis”.
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.