Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
4 resultados
Resultados da Pesquisa
- Modelo de previsão de preço futuro de petróleo bruto nos Estados Unidos(2023) Guelman, BeatrizA indústria do petróleo ocupa um lugar de importância na economia mundial; segundo a Statistical Review of World Energy, publicada em 2021, mais de 80% da energia consumida no mundo é fruto de combustível fóssil. Dentro da indústria do petróleo, a economia americana e, consequentemente, o dólar ocupam um lugar de importância na indústria do petróleo principalmente após o ano de 1974. O entendimento do comportamento do petróleo e como ele se relaciona com o mercado financeiro é importante não apenas para empresas produtoras de mercadorias ou commodities, que são afetadas diretamente pela variação dos preços, mas também para investidores da bolsa, gerentes de portifólio e especuladores em geral; o petróleo é chave para a construção de portifólios bem diversificados e para decisões financeiras que maximizam retornos e otimizam as decisões de risco. O principal objetivo deste trabalho é examinar diferentes modelos de previsão para os preços futuros do petróleo nos Estados Unidos. Três modelos são examinados para identificar empiricamente o modelo com maior precisão e melhores resultados preditivos. Foram feitas previsões sob os modelos Autorregressivo e de Médias Móveis Integrado (ARIMA), Vetor Autorregressivo (VAR) e de Random Forest para os períodos de 01 de janeiro de 2019 a 01 de dezembro de 2019 e 01 de julho de 2021 a 01 de junho de 2022. O modelo VAR, se comparado aos três modelos selecionados e com os parâmetros utilizados, conseguiu descrever melhor o cenário econômico e o petróleo como um agente econômico e financeiro, levando em consideração seus componentes e relação com outros fatores. Contudo, o modelo de Random Forest tem maior sensibilidade em capturar as movimentações e os choques no preço, demonstrando quedas e altas ao longo do tempo.
Dissertação Análise de componentes principais da curva de juros: uma aplicação ao mercado Euro(2009) Dauwe, Alexander FransEste estudo aborda um dos problemas remanescentes nas decisões nanceiras: a previsão da estrutura a termo em diferentes horizontes temporais. Especi camente, o trabalho realiza previsões das taxas mensais do Euro Interest Rate Swaps com um modelo auto-regressivo de componentes principais para horizontes de 1 e 12 meses. Os resultados apresentam previsões signi cativamente superiores às previsões do modelo de passeio aleatório para previsões de 1 mês fora da amostra com o modelo auto-regressivo de componentes principais estacionários. Para um exercício com previsões de 12 meses fora da amostra a regressão direta dos níveis tem resultados que superam aos do modelo de passeio aleatório.Dissertação Previsão da taxa de juros nominal no Brasil: uma avaliação comparativa entre curva de reação, modelo arma e VAR(2008) Jarra, Eduardo José FerreiraEsse trabalho avalia a qualidade de previsão da trajetória da taxa de juros Selic nominal. O conjunto de modelos analisado contém uma curva de reação da autoridade monetária, um modelo de séries temporais univariado e quatro diferentes especificações de VAR. Os resultados mostram que curva de reação e o modelo de séries temporais univariado são os que apresentam as melhores previsões para curto (três e seis meses) e médio prazo (doze meses), ainda que não seja possível distinguir qual é o superior entre os dois. Para os horizontes analisados, os modelos VAR apresentam qualidade de previsão ruim.Dissertação Previsão de volatilidade: a volatilidade implícita como variável explicativa da variância condicional em modelos GARCH(2012) Santos, Decio Albert Da SilvaA previsão de volatilidade é um assunto de grande interesse no mercado financeiro. Os modelos GARCH e a volatilidade implícita são bastante utilizados para este fim. Neste trabalho, a volatilidade implícita foi utilizada como uma variável explicativa da variância condicional de modelos GARCH, com o objetivo de aumentar o poder de previsão do modelo. Foram utilizados dados do mercado de ações brasileiro, mais precisamente do índice de ações Ibovespa, no período de abril de 2000 a junho de 2011. A volatilidade implícita foi extraída das opções de compra do Ibovespa utilizando o modelo de precificação de opções de Black e Scholes. As previsões dos modelos propostos no trabalho foram comparadas com previsões de modelos GARCH tradicionais, realizadas em quatro períodos diferentes e em previsões fora da amostra de estimação dos modelos. Os resultados obtidos indicaram que o uso da volatilidade implícita como variável explicativa da variância condicional em modelos GARCH não aumenta o poder de previsão em comparação com os modelos GARCH tradicionais. Sendo GARCH(1,1) o modelo com os melhores resultados nas previsões de volatilidade.