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
Trabalho de Conclusão de Curso Qual o impacto da variação dos preços das commodities na taxa de câmbio real brasileira?(2016) Amador, Marina PortoEste estudo investiga a influência dos preços das commodities sobre o repasse cambial, olhando especificamente para o ambiente macroeconômico brasileiro compreendido entre 1999 e 2015. Com base em evidências empíricas, são examinadas variações na taxa de câmbio real efetiva brasileira em relação às flutuações dos preços de commodities, buscando-se entender qual o grau de pass-through existente entre eles, levando em consideração outras variáveis macroeconômicas relevantes para a determinação da taxa cambial. Os resultados indicam que o IC-Br é o índice mais adequado para este estudo e que, no longo prazo, 1% de variação neste índice implica uma apreciação cambial de 0,529%.Artigo Científico Bayesian generalizations of the integer-valued autoregressive model(2022) HEDIBERT FREITAS LOPES; PAULO CILAS MARQUES FILHO; Graziadei, HeltonWorking Paper Parsimonious Bayesian Factor Analysis when the Number of Factors is Unknown(2014) Fruhwirth-Schnatter, Sylvia; HEDIBERT FREITAS LOPESWe introduce a new and general set of identifiability conditions for factor models which handles the ordering problem associated with current common practice. In addition, the new class of parsimonious Bayesian factor analysis leads to a factor loading matrix representation which is an intuitive and easy to implement factor selection scheme. We argue that the structuring the factor loadings matrix is in concordance with recent trends in applied factor analysis. Our MCMC scheme for posterior inference makes several improvements over the existing alternatives while outlining various strategies for conditional posterior inference in a factor selection scenario. Four applications, two based on synthetic data and two based on well known real data, are introduced to illustrate the applicability and generality of the new class of parsimonious factor models, as well as to highlight features of the proposed sampling schemes.Tese Essays in bayesian financial econometrics(2024) Martins, Igor Ferreira BatistaEssa tese é composta de três artigos. Emtodos os capítulos, prioris capazes de gerar esparsidade possuem um papel central. O primeiro capítulo expande modelos de volatilidade estocástica intradiária ao propor ummétodo baseado em dados para selecionar os eventos macroeconômicos mais prováveis de impactar a volatilidade e reconecta-los com fundamentos macroeconômicos. O modelo proposta possui desempenho superior ao demais na previsão de volatilidade realizada e em exercícios de alocação de portfólios. O segundo capítulo usa as propriedades da priori do tipo Horseshoe para permitir a inclusão de um grande número de variáveis exógenas em um modelo de cópula dinâmica. Emuma aplicação empírica, a abordagem proposta identifica fontes de informação sobre futuros valores do parâmetro da cópula e, ao usar tais valores, desempenha melhor em problemas de alocação de portfólios. O terceiro capítulo expande modelos de volatilidade estocástica ao considerar assimetria variante no tempo sem a necessidade de impo-la. Apesar da assimetria dinâmica poder capturar a provável direção de retornos futuros, ela leva ao risco de overparameterization. A abordagem proposta mitiga esse risco ao usar prioris geradoras de esparsidade capazes de automaticamente selecionar o parâmetro da assimetria como dinâmico, estático ou zero. O capítulo destaca a flexibilidade da metodologia proposta em apliações de juros e moedas.Dissertação Modelos de volatilidade aplicados a séries financeiras(2018) Betiol, Maria Lúcia PetriOs ativos financeiros são conhecidos por fazerem parte do portfólio de investimentos de pessoas físicas e jurídicas, com o objetivo de maximizarem seus investimentos através da valorização (aumento do preço) desses ativos. Por isso, a modelagem do comportamento do ativo financeiro é um desenvolvimento importante para auxiliar a tomada de decisão de investimento. Os retornos dos preços desses ativos tendem a oscilar ao redor de uma média, mas com variações que podem mudar de intensidade em alguns períodos e que são condicionais aos valores passados. Os modelos estatísticos desenvolvidos para se ajustarem aos dados são modelos que consideram a heterocedasticidade condicional das variações dos retornos, como os conhecidos ARCH(1), GARCH(1,1) e Modelos de Volatilidade Estocástica (MVE). No artigo de Achcar, Barossi-Filho, Souza (2008) - Modelos de Volatilidade Estocástica em Séries Financeiras: Uma Aplicação para o Ibovespa - os autores avaliarem o ajuste dos modelos GARCH(1,1) e MVE à série do Ibovespa (jul/1994 até fev/2008) e concluíram que o MVE teve o melhor desempenho. Com o objetivo de analisar o comportamento dos três modelos com dados mais recentes, este trabalho utilizou retornos diários de 17 anos (2000 até 2017) do Ibovespa, Bradesco, Sabesp e Petrobrás. Os resíduos mostram que o modelo ARCH(1) não se adequa aos dados, enquanto que os demais modelos se adequam e capturam os períodos de mudança de volatilidade de cada série, mas com intensidades menores. O modelo MVE com inovações normais se ajustou melhor aos dados para as séries do Ibovespa, Sabesp e Petrobrás, enquanto que para a série do Bradesco, os modelos GARCH(1,1) e MVE se ajustaram melhor dependendo do período.Dissertação 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.Livro Data Science, marketing & business(2019) Fernandez, Pedro Jesus; Marques Filho, Paulo Cilas; Santos, Tiago Mendonça dos; HEDIBERT FREITAS LOPESWorking Paper Semi-parametric inference for the means of heavy-tailed distributions(2016) Taddy, Matt; HEDIBERT FREITAS LOPES; Goldberg, David; Gardner, MattHeavy tailed distributions present a tough setting for inference. They are also common in industrial applications, particularly with Internet transaction datasets, and machine learners often analyze such data without considering the biases and risks associated with the misuse of standard tools. This article outlines a procedure for inference about the (possibly conditional) mean of a heavy tailed distribution that combines nonparametric inference for the bulk of the support with parametric inference – motivated from extreme value theory – for the heavy tail. We are able to derive analytic posterior conditional means and variances for the expected value of a heavy tailed distributivo. We also introduce a simple and novel independence Metropolis Hastings algorithm that samples from the distribution for tail parameters via small adjustments to a parametric bootstrap, and through this algorithm are able to provide comparisons between our framework and frequentist semiparametric inference. We also provide a modeling extension that shrinks tails across distributions to an overall background tail. We illustrate on two examples: treatment effect estimation on a set of 72 A/B experiments, and the fitting of regression trees for prediction of user spending. Both use data from tens of millions of users of eBay.com.Working Paper Sequential bayesian learning for stochastic volatility with variance-gamma jumps in return(2014) Warty, Samir P.; HEDIBERT FREITAS LOPES; Polson, Nicholas G.In this work, we investigate sequential Bayesian estimation for inference of stochastic volatility with variance-gamma jumps in returns (SVVG). We develop an estimation algorithm that adapts the sequential learning auxiliary particle filter proposed by Carvalho, Johannes, Lopes, and Polson (2010) to SVVG. Simulation evidence and empirical estimation results indicate that this approach is able to filter latent variances, identify latent jumps in returns, and provide sequential learning about the static parameters of SVVG. We demonstrate comparative performance of the sequential algorithm and offline Markov Chain Monte Carlo in synthetic and real data applications.Working Paper A Tutorial on the Computation of Bayes Factor(2014) HEDIBERT FREITAS LOPES