Publicação
Cointegração, modelos VAR e BVAR: estudo comparativo entre a abordagem clássica e bayesiana no contexto dos mercados financeiros europeus
| Resumo: | Tendo em vista o desenvolvimento de um estudo compreendendo modelação econométrica, o objectivo central deste trabalho consiste na análise comparativa de resultados obtidos na estimação de um sistema cointegrado de vectores auto-regressivos e da respectiva ordem de cointegração, sob o ponto de vista dos pressupostos das abordagens clássica (VAR) e bayesiana (BVAR). Para o efeito, considerou-se uma amostra de variáveis provenientes de índices bolsistas de seis países da zona Euro. Antecedendo à implementação prática dos modelos econométricos, é apresentado, um referencial teórico que visa fornecer, de forma gradual, informações consideradas indispensáveis à compreensão dos modelos econométricos em causa. Assim, além dos aspectos inerentes à abordagem clássica, são analisados os métodos de simulação de Monte Carlo via Cadeias de Markov (MCMC), apresentando-se o algoritmo de Metropolis-Hastings e o método de amostragem de Gibbs, cujos fundamentos foram discutidos com base na teoria de Cadeias de Markov. Estes métodos, baseados em simulação estocástica iterativa, constituem a base da inferência bayesiana, a qual se fundamenta no conhecimento da distribuição a posteriori dos parâmetros e na possibilidade de construção de intervalos de confiança exactos para as estimativas dos parâmetros considerados. Precisamente, sendo o problema na implementação desta abordagem a integração numérica (no espaço do parâmetro) da fdp a posteriori, a opção para resumir a informação descrita na distribuição a posteriori foram os métodos MCMC. As vantagens reconhecidas na implementação das técnicas bayesianas têm sido claramente identificadas em estudos ulteriores, daí o recurso bastante comum às mesmas, pois problemas anteriormente intratáveis foram solucionados e modelos mais flexíveis foram introduzidos com elevado sucesso. |
|---|---|
| Autores principais: | Ramos, Filipe Roberto de Jesus, 1981- |
| Assunto: | Inferência Bayesiana Cadeias de Markov Simulação MCMC Cointegração Modelos VAR e BVAR Teses de mestrado - 2012 |
| Ano: | 2012 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | Tendo em vista o desenvolvimento de um estudo compreendendo modelação econométrica, o objectivo central deste trabalho consiste na análise comparativa de resultados obtidos na estimação de um sistema cointegrado de vectores auto-regressivos e da respectiva ordem de cointegração, sob o ponto de vista dos pressupostos das abordagens clássica (VAR) e bayesiana (BVAR). Para o efeito, considerou-se uma amostra de variáveis provenientes de índices bolsistas de seis países da zona Euro. Antecedendo à implementação prática dos modelos econométricos, é apresentado, um referencial teórico que visa fornecer, de forma gradual, informações consideradas indispensáveis à compreensão dos modelos econométricos em causa. Assim, além dos aspectos inerentes à abordagem clássica, são analisados os métodos de simulação de Monte Carlo via Cadeias de Markov (MCMC), apresentando-se o algoritmo de Metropolis-Hastings e o método de amostragem de Gibbs, cujos fundamentos foram discutidos com base na teoria de Cadeias de Markov. Estes métodos, baseados em simulação estocástica iterativa, constituem a base da inferência bayesiana, a qual se fundamenta no conhecimento da distribuição a posteriori dos parâmetros e na possibilidade de construção de intervalos de confiança exactos para as estimativas dos parâmetros considerados. Precisamente, sendo o problema na implementação desta abordagem a integração numérica (no espaço do parâmetro) da fdp a posteriori, a opção para resumir a informação descrita na distribuição a posteriori foram os métodos MCMC. As vantagens reconhecidas na implementação das técnicas bayesianas têm sido claramente identificadas em estudos ulteriores, daí o recurso bastante comum às mesmas, pois problemas anteriormente intratáveis foram solucionados e modelos mais flexíveis foram introduzidos com elevado sucesso. |
|---|