Estimation of the generalized lambda distribution with time-varying parameters

• Ano de defesa: 2019
• Autor(a) principal: Monte, Alexandre José Cruz
• Orientador(a): Chague, Fernando Daniel, Fernandes, Marcelo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Métodos de simulação estatística: geral; Construção de modelo e estimação; Econometria financeira; Risco financeiro e gerenciamento de risco
• Palavras-chave em Inglês: Statistical simulation methods: general; Model construction and estimation; Financial econometrics; Financial risk and risk management
• Link de acesso: http://hdl.handle.net/10438/27612

Essa tese desenvolve o modelo autorregressivo condicional generalizado para a distribuição lambda (ARCLD). Esse modelo permite que a dispersão e um parâmetro de forma da distribuição lambda generalizada (GLD) variem no tempo de acordo com um modelo ARMA. Deixar os parâmetros variarem no tempo ofereceu uma maior flexibilidade para modelar retornos de ativos financeiros. Para estimar uma GLD com parâmetros variando no tempo não podemos recorrer a métodos de estimação de máxima verossimilhança (ML), pois não existe uma forma analítica para a GLD – apenas para sua função quantil. A solução é aplicar o método dos quantis simulados de Dominicy e Veredas (2013) combinado com métodos de inferência indireta (Gouriéroux et al., 1993; Smith, 1993). No primeiro capítulo derivamos as propriedades assintóticas do estimador de inferência indireta para os parâmetros do modelo ARCLD. No segundo capítulo conduzimos um estudo de Monte Carlo para determinar a performance do modelo ARCLD. No último capítulo, estimamos o modelo ARCLD para retornos diários de 7 índices do mercado de ações representando 3 diferentes regiões geográficas: América (S&P500, Ibovespa e IPC), Europa (DAX e FTSE100) e Ásia (Hang Seng e TWSE). Nós comparamos as estimativas geradas pelo modelo ARCLD com as estimativas assumindo uma especificação GARCH, com inovações gaussianas, t-student e usando uma abordagem de distribuição empírica (ED). Adicionalmente, nós avaliamos a performance do modelo ARCLD com o modelo autorregressivo de densidade condicional (ACD) do Hansen (1994). Avaliamos a performance relativa de cada modelo fazendo análises de risco de mercado. Para isso, comparamos o Valor em Risco (VaR) e perda esperada (ES) gerados em cada modelo.