HEDIBERT FREITAS LOPES
Lattes
ORCID
ScopusUnidades Organizacionais
Resumo profissional
person.page.researcharea
Nome para créditos
78 resultados
Resultados da Pesquisa
Agora exibindo 1 - 10 de 78
Artigo Científico Parsimony inducing priors for large scale state–space models(2022) HEDIBERT FREITAS LOPES; McCulloch, Robert E.; Tsay, Ruey S.State–space models are commonly used in the engineering, economic, and statistical literature. They are flexible and encompass many well-known statistical models, including random coefficient autoregressive models and dynamic factor models. Bayesian analysis of state–space models has attracted much interest in recent years. However, for large scale models, prior specification becomes a challenging issue in Bayesian inference. In this paper, we propose a flexible prior for state–space models. The proposed prior is a mixture of four commonly entertained models, yet achieving parsimony in high-dimensional systems. Here ‘‘parsimony’’ is represented by the idea that, in a large system, some states may not be time-varying. Our prior for the state–space component’s standard deviation is capable to accommodate different scenarios. Simulation and simple examples are used throughout this paper to demonstrate the performance of the proposed prior. As an application, we consider the time-varying conditional covariance matrices of daily log returns of the components of the S&P 100 index, leading to a state–space model with roughly five thousand time-varying states. Our model for this large system enables us to use parallel computing.Artigo Científico Efficient Bayesian Inference for Multivariate Factor Stochastic Volatility Models(2017) Kastner, Gregor; Frühwirth-Schnatter, Sylvia; HEDIBERT FREITAS LOPESDissertação Forecasting Inflation Using Deep Learning: An Application of Convolutional LSTM Networks and Variational Autoencoders(2021) Theoharidis, Alexandre FernandesEsse trabalho apresenta um modelo inovador baseado em deep learning para previsão de inflação, um problema desafiador e, até o momento, sem solução na Macroeconomia moderna. Os desafios emergem devido ao comportamento não linear e não estacionário exibido pela inflação na prática, divergindo da dinâmica esperada a partir da Curva de Phillips Neokeynesiana. Consequentemente, modelos econométricos convencionais se mostram incapazes de produzir previsões críveis e consistentes, pois não possuem a flexibilidade necessária para capturar essas complexidades. Nesse contexto, deep learning se apresenta como uma abordagem promissora, dado o seu sucesso no tratamento de dados não lineares e abundantes (big data). Exemplos ilustrativos são encontratos nos campos de reconhecimento de fala, interpretação textual, processamento de imagens e modelagem de séries temporais financeiras, entre outros. Surpreendentemente, apesar de seu potencial, não há aplicações de deep learning ao problema descrito para investigar se há a possibilidade de aprimorar previsões de inflação através dessa técnica. Portanto, como contribuição à literatura, esse estudo propõe um modelo de deep learning híbrido que combina Autoencoders Variacionais com Redes LSTM Convolucionais para ampliar a acurácia das previsões de inflação. O procedimento de estimação do modelo emprega técnicas do estado-da-arte para reduzir a probabilidade de overfitting, tais como a adição de camadas de dropout e batch normalization à arquitetura do modelo. Através de um banco de dados macroeconômicos públicos composto por 134 séries temporais mensais da economia estadunidense, o modelo proposto é comparado contra populares benchmarks econométricos e de machine learning, incluindo a regressão Ridge, a regressão LASSO, Random Forests, métodos Bayesianos, VECM, e o perceptron de múltiplas camadas. Usando observações coletadas no período que se estende de janeiro de 1978 até dezembro de 2019, a análise empírica corrobora a superioridade do modelo em termos de consistência e desempenho fora da amostra. A robustez das conclusões é confirmada mediante cross-validation e simulações usando diferentes amostras de treino, validação e teste.Artigo Científico Measuring the vulnerability of the Uruguayan population to vector-borne diseases via spatially hierarchical factor models(2012) HEDIBERT FREITAS LOPES; Schmidt, Alexandra M.; Salazar, Esther; Gómez, Mariana; Achkar, MarcelArtigo Científico Regression models for exceedance data via the full likelihood(2011) HEDIBERT FREITAS LOPES; Nascimento, Fernando Ferraz do; Gamerman, DaniDissertação Uma análise econométrica de endogeneidade aplicada ao modelo de apreçamento de ativos de um único fator usando o Ibovespa(2018) Itagaki, Dennys IchiroOs modelos de apreçamento de ativos são amplamente usados na prática de Finanças por meio de suas formulações econométricas, a partir das quais se obtém os betas de grupos de ativos por regressão. Os betas são usados pelos analistas financeiros e gestores para a avaliar o valor individual de ativos e, por isso, têm impacto fundamental no direcionamento dos investimentos e decisões de empreendimentos. Na prática, usam-se índices de bolsas como aproximações para o retorno de mercado, uma das importantes premissas das teorias dos modelos. Os índices das grandes bolsas com ações pulverizadas e líquidas, como S&P e o UK FTSE100, têm pouca dependência de qualquer ação isolada e são boas aproximações. Já os índices de bolsas relativamente menores, com certo nível de concentração em algumas empresas grandes, como o Ibovespa e outras bolsas de mercados emergentes, sofrem da influência dessas ações. Nos modelos econométricos, o retorno do ativo deveria depender do retorno de mercado e não o inverso. Por esta razão, dentro da teoria econométrica, usada para deduzir o beta ao ser aplicada à teoria dos modelos de apreçamento, ocorre o fenômeno da endogeneidade. Ela se manifesta pela simultaneidade da interdependência entre o retorno do ativo e o do mercado, superestimando o beta gerado no processo de regressão. Por impactar nas empresas de maior valor, pode se traduzir em aumentos significativos dos respectivos custos de capital avaliados. Estudos mostram que existe uma relação causal entre os mercados grandes, como o americano, e a Bovespa. Por esta razão, o índice S&P é proposto como variável instrumental, solucionando a endongeneidade. O presente estudo demonstra a existência de viés e realiza uma simulação realística do cenário do Ibovespa, identificando os vieses gerados nos betas e as condições em que ocorrem. Além disso, usa uma série real do S&P e obtém os resultados corrigidos, constatando a eficácia da solução. Por fim, faz uma análise prática sobre séries de retornos reais de ações e do índice Ibovespa sob o aspecto da endogeneidade.Working Paper Parsimony Inducing Priors for Large Scale State-Space Models(2014) HEDIBERT FREITAS LOPES; McCulloch, Robert E.; Tsay, Ruey S.State-space models are commonly used in the engineering, economic, and statistical literatures. They are flexible and encompass many well-known statistical models, including random coefficient autoregressive models and dynamic factor models. Bayesian analysis of state-space models has attracted much interest in recent years. However, for large scale models, prior specification becomes a challenging issue in Bayesian inference. In this paper, we propose a flexible prior for state-space models. The proposed prior is a mixture of four commonly entertained models, yet achieves parsimony in high-dimensional systems. Here “parsimony” is represented by the idea that in a largesystem, some states may not be time-varying. Simulation and simple examples are used throughout to demonstrate the performance of the proposed prior. As an application, we consider the time-varying conditional covariance matrices of daily log returns of 94 components of the S&P 100 index, leading to a state-space model with 94×95/2=4,465 time-varying states. Our model for this large system enables us to use parallel computing.Capítulo de Livro Dynamic models(2019) Schmidt, Alexandra M.; HEDIBERT FREITAS LOPESArtigo Científico Particle learning for Bayesian semi-parametric stochasticvolatility model(2019) Virbickaitė, Audronė; HEDIBERT FREITAS LOPES; Ausín, M. Concepción; Galeano, PedroThis article designs a Sequential Monte Carlo (SMC) algorithm for estimation of Bayesian semi-parametric Stochastic Volatility model for financial data. In particular, it makes use of one of the most recent particle filters called Particle Learning (PL). SMC methods are especially well suited for state-space models and can be seen as a cost-efficient alternative to Markov Chain Monte Carlo (MCMC), since they allow for online type inference. The posterior distributions are updated as new data is observed, which is exceedingly costly using MCMC. Also, PL allows for consistent online model comparison using sequential predictive log Bayes factors. A simulated data is used in order to compare the posterior outputs for the PL and MCMC schemes, which are shown to be almost identical. Finally, a short real data application is included.Artigo Científico Direct Evidence for Postmeiotic Transcription During Drosophila melanogaster Spermatogenesis(2010) Vibranovski, Maria D.; Chalopin, Domitille S.; HEDIBERT FREITAS LOPES; Long, Manyuan; Karr, Timothy L.