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 Confronting Prior Convictions: On Issues of Prior Sensitivity and Likelihood Robustness in Bayesian Analysis(2011) HEDIBERT FREITAS LOPES; Tobias, Justin L.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 Particle Learning for General Mixtures(2010) Carvalho, Carlos M.; HEDIBERT FREITAS LOPES; Polson, Nicholas G.; Taddy, Matt A.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.Artigo Científico How many hospitalizations has the COVID-19 vaccination already prevented in São Paulo(2021) Izbick, Rafael; Bastos, Leonardo S.; Izbicki, Meyer; HEDIBERT FREITAS LOPES; Santos, Tiago Mendonça dosTese 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.Artigo Científico Sequential parameter learning and filtering in structured autoregressive state-space models(2013) Prado, Raquel; HEDIBERT FREITAS LOPESArtigo Científico The illusion of the illusion of sparsity: an exercise in prior sensitivity(2021) Fava, Bruno Vinicius Nunes; HEDIBERT FREITAS LOPESDissertação 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.