Busca avançada
Ano de início
Entree

Métodos de previsão para finanças

Processo: 25/03453-3
Modalidade de apoio:Bolsas no Brasil - Doutorado Direto
Data de Início da vigência: 01 de maio de 2025
Data de Término da vigência: 30 de abril de 2029
Área de conhecimento:Ciências Sociais Aplicadas - Economia - Métodos Quantitativos em Economia
Pesquisador responsável:Marcelo Fernandes
Beneficiário:Matheus Lopes Carrijo
Instituição Sede: Escola de Economia de São Paulo (EESP). Fundação Getúlio Vargas (FGV). São Paulo , SP, Brasil
Vinculado ao auxílio:23/01728-0 - Modelagem e previsão econométrica em modelos de alta dimensão, AP.TEM
Assunto(s):Finanças   Econometria   Previsão   Aprendizado computacional
Palavra(s)-Chave do Pesquisador:Finance | Forecasting | High Dimensional Models | machine learning | Portfolio Allocation | Finanças e Econometria

Resumo

Modelos de previsão são utilizados não apenas em ambiente acadêmico, mas também em ambiente comercial. Dentre suas aplicações, podemos citar planejamento e orçamento, gerenciamento de riscos, tomada de decisão estratégica, alocação de recursos, entre outros. Estes modelos podem ser estudados e empregados com o objetivo de aprender com evidências empíricas, melhorar a precisão da previsão e explorar como esse aprendizado poderia ser usado para avançar na teoria e na prática da previsão. Veja, por exemplo, Makridakis et al. (2020).A utilização de modelos de previsão é um tema de estudo que vem crescendo constantemente. Existem vários trabalhos clássicos que abordam o tema; veja, por exemplo: Clemen (1989); Engle e Yoo (1987); Geweke et al. (1983); Andersen e Bollerslev (1998). Uma medida para o crescimento da área de previsão e sua disseminação é o aumento do fator de impacto de um dos principais periódicos focados em previsão, o International Journal of Forecasting. Como ilustração, seu fator de impacto JCR (Journal Citation Reports) era de 1,4 em 2013 e chegou a 7,02 em 2023, com uma tendência de aumento a cada ano. Além disso, o uso e o desenvolvimento de métodos de machine learning e suas comparações com os modelos econométricos levaram a um crescimento significativo na produção de estudos na área. Veja exemplos como Gu et al. (2020), Goulet Coulombe et al. (2022) e Masini et al. (2023).Covid-19A pandemia da Covid-19 colocou as previsões sob os holofotes, contrapondo modelos epidemiológicos a métodos extrapolativos de séries temporais. Mudanças estruturais abruptas foram uma característica importante dos dados da pandemia, devido a erros de medição, mudanças na definição e nos testes, intervenções políticas, avanços tecnológicos e tendências de rápida transformação. Nesse contexto, surgiu a necessidade do desenvolvimento de modelos preditivos adaptáveis. Modelos de previsão para a Covid-19 foram estudados em: Fanelli e Piazza (2020); Grasselli et al. (2020); Castle et al. (2021); Doornik et al. (2021); Foroni et al. (2022).Modelos de alta dimensãoA previsão de modelos de alta dimensão envolve a estimativa de valores futuros em conjuntos de dados complexos, que contêm um grande número de variáveis ou atributos. Isso requer técnicas e métodos especializados para capturar a interdependência e as interações entre as variáveis. Abordagens comuns incluem o uso de técnicas de redução de dimensionalidade, como análise de componentes principais (PCA) (ver: He et al. (2021); Taylor e McSharry (2007); Davò et al. (2016)) ou análise fatorial (ver: Agarwal et al. (2010); Castle et al. (2013)), LASSO (least absolute shrinkage and selection operator) e suas variantes, Random forests, redes neurais com deep learning (ver: Hastie et al. (2009); Garcia et al. (2017); Medeiros et al. (2021); Goulet Coulombe et al. (2022)), e o algoritmo Autometrics (ver: Castle et al. (2013); Hendry e Pretis (2023)) para reduzir o número de variáveis enquanto se retém as informações mais relevantes.Série financeiraA previsão de séries temporais financeiras é, sem dúvida, uma das áreas mais estudadas por pesquisadores financeiros, tanto na academia quanto no setor financeiro, devido às suas amplas aplicações e impacto substancial.Neste projeto, serão considerados fatos estilizados em finanças, tais como a presença de heterocedasticidade e mudanças resultantes de quebras estruturais. Serão avaliados métodos robustos, tais como os estudados por Hwang e Valls Pereira (2006); Hwang et al. (2007); Trucíos et al. (2019); e Trucíos et al. (2021). A previsão da volatilidade das séries financeiras seguirá a linha de modelos propostos por Wink Junior e Pereira (2011). (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)