Previsão conforme em modelos de volatilidade univariados e multivariados

• Processo: 25/03520-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de novembro de 2025
• Data de Término da vigência: 28 de fevereiro de 2029
• Área de conhecimento: Ciências Sociais Aplicadas - Economia - Métodos Quantitativos em Economia
• Pesquisador responsável: Carlos Cesar Trucios Maza
• Beneficiário: Pedro Henrique Galera Elias
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 23/01728-0 - Modelagem e previsão econométrica em modelos de alta dimensão, AP.TEM
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Conformal prediction | Econometria Financeira | medidas de risco | Regiões de previsão | volatilidade | Econometria e Séries Temporais

Resumo

A previsão da volatilidade, assim como outras medidas de risco, desempenha um papel crucial em diversas áreas das finanças, como na alocação de carteiras, precificação de opções, estratégias de negociação, entre outras. Além das previsões pontuais, que são essenciais para as aplicações mencionadas, os intervalos e regiões de previsão também têm grande importância, pois permitem mensurar a incerteza associada às estimativas, oferecendo maior suporte ao planejamento estratégico e ao processo de tomada de decisão. Nesse contexto, o objetivo deste projeto de pesquisa é desenvolver intervalos e regiões de previsão para a volatilidade e outras medidas de risco, utilizando o método de Conformal Prediction, que tem se destacado como uma abordagem eficaz na construção de regiões de previsão em modelos de aprendizado de máquina, especialmente por exigir poucas suposições sobre os dados. Os procedimentos serão desenvolvidos tanto para séries temporais univariadas quanto multivariadas, e a eficácia será avaliada por meio de experimentos de Monte Carlo em diferentes cenários. Além disso, os métodos propostos, em conjunto com outras técnicas de estado da arte, serão aplicados em dados de mercados emergentes e desenvolvidos. Os códigos resultantes da pesquisa serão disponibilizados gratuitamente em repositórios públicos no GitHub, promovendo assim a disseminação, inovação e reprodutibilidade dos resultados. (AU)