Estimation of the generalized lambda distribution with time-varying parameters
Data
2019-05-27
Autores
Monte, Alexandre José Cruz
Orientador(res)
Chague, Fernando Daniel
Fernandes, Marcelo
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
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.