Essays on high dimensional financial econometrics

Resumo

Modelos de alta dimens˜ao tˆem se tornado relativamente importantes em v´arias ´areas da economia devido ao avan¸cos na tecnologia que vem proporcionando um aumento do conjunto de informa¸c˜ao a ser utilizado. Eles s˜ao ´uteis para encontrar e entender a rela¸c˜ao que existe entre agentes e vari´aveis econˆomicas e utiliz´a-las para previs˜ao e gera¸c˜ao de insumos na formula¸c˜ao de pol´ıtica e tomadas de decis˜ao. O aumento na dimens˜ao, entretanto, traz desafios a serem superados. Estrat´egias para lidar com modelos altamente parametrizados est˜ao sendo desenvolvidos. Essa tese tem o objetivos de estudar trˆes assuntos nessa literatura. O primeiro ´e avaliar o desempenho de indicadores macroeconˆomicos na previs˜ao fora da amostra do comportamento da s´erie do volume de cr´edito brasileiro agregado e desagregado por Estados de maio de 2011 at´e abril de 2016. Uma variedade de t´ecnicas em s´eries de tempo s˜ao utilizadas para modelar essa vari´avel, tais como, vectores autorregressivos (VAR), vetores autorregressivos globais (GVAR) e ARIMA. Esse estudo utiliza o algoritmo de sele¸c˜ao de modelos chamado Autometrics para selecionar um modelos parcimonioso para o exerc´ıcio de previs˜ao. Utiliza-se o volume de cr´edito de janeiro de 2004 at´e abril de 2011 como a primeira amostra crescente de estima¸c˜ao. Como vari´aveis macroeconˆomicas, utiliza-se produ¸c˜ao industrial, taxa de juros de curto prazo (Selic) e a taxa de infla¸c˜ao (IPCA). Ao n´ıvel estadual, coleta-se dados de desemprego e taxa de inadimplˆencia. Os melhores resultados ao n´ıvel desagregado s˜ao derivados dos modelos GVAR. Ao n´ıvel agregado, os modelos VAR com indicadores macroeconˆomicos tˆem a melhor performance particularmente para longos horizontes. H´a evidˆencias de que a combina¸c˜ao de previs˜oes ajuda a aumentar a precis˜ao das previs˜oes por reduzir a m´edia absoluta e o quadrado do erros de previs˜ao. O segundo estudo revisita a literatura emp´ırica de apre¸camento de ativos no crosssection analisando e comparando o poder explicativo de 65 fatores de risco para o mercado financeiro brasileiro de 2000 a 2017 utilizando t´ecnicas de sele¸c˜ao de modelos autom´aticas. Aplica-se as duas principais metodologias nessa literatura, de s´eries de tempo e a de cortes transversais, para 234 portf´olios. Os resultados mostram que, para a primeira abordagem, o excesso de retorno do mercado sobre o CDI e o indicador pequeno menos grande (SMB) s˜ao os fatores mais selecionados. Especificamente, o excesso de mercado foi selecionado para todos os portfolios. Atrav´es da abordagem de corte transversal, a m´edia das taxas de sele¸c˜ao s˜ao muito similares entre os fatores, mas algumas vari´aveis macroeconˆomicas se destacam. O terceiro ensaio tem o objetivo de comparar o desempenho de trˆes algoritmos de sele¸c˜ao de modelos, Autometrics (Hendry and Krolzig, 1999; Doornik, 2009), LASSOVAR e LASSOVAR adaptativo (Tibshirani, 1996; Zhao and Yu, 2006; Callot et al., 2017), para modelar e prever a matriz de covariˆancia mensal. Para isso, constr´oi-se uma base de dados com informa¸c˜oes di´arias para 30 a¸c˜oes negociadas no mercado de valores brasileiro (B3), o que resulta em 465 entradas ´unicas na matriz de julho 2009 at´e dezembro de 2017. Aplica-se trˆes medidas de erro de previs˜ao, o conjunto de modelos de confian¸ca Hansen et al. (2011) e o teste de compara¸c˜ao de habilidade preditiva condicional de Giacomini and White (2006). Calcula-se o valor econˆomico de cada estrat´egia de previs˜ao atrav´es de um exerc´ıcios de aloca¸c˜ao de portf´olio. Os resultados mostram que um modelo espec´ıfico n˜ao consegue derrotar o modelo de referˆencia, o passeio aleat´orio, mas uma combina¸c˜ao ponderada das previs˜oes consegue um aumento de at´e 13% na precis˜ao das previs˜oes. No exerc´ıcios de aloca¸c˜ao de portf´olio, encontra-se que h´a ganhos econˆomicos em utilizar t´ecnicas de sele¸c˜ao de modelos autom´aticas para modelar e prever os elementos da matriz de covariˆancia das a¸c˜oes. Especificamente, sob a restri¸c˜ao de venda a descoberto, Autometrics VAR(1) com vari´aveis de satura¸c˜ao entrega a maior raz˜ao de Sharpe e valor econˆomico. Quando o investidor pode fazer venda a descoberto, ele escolher´a ou Autometrics VAR(1) com vari´aveis de satura¸c˜ao ou LASSOVAR(1) adaptativo. A escolha final depende do n´ıvel de avers˜ao ao risco do investidor. Se ele for menos avesso ao risco, ele escolher´a o primeiro, enquanto que o segundo se tornar´a sua escolha se sua sensibilidade ao risco aumentar.

Ficha do documento

Tipo

Tese

Ano

2019

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/27781

Temas

EconomiaTecnologiaDados

Palavras-chave

ForecastingAutomatic model selectionCredit volumeCross-sectional asset pricingCovariance matrixAutometricsLASSOVector autoregressionPortfolio allocationPrevisãoSeleção automática de modelosVolume de créditoPrecificação de ativos no cross-sectionMatriz de covariânciaVetor autorregressivoAlocação de portfólioEconomiaEconometriaPrevisão econômicaModelo de precificação de ativosAlgoritmosModelos econométricos