Estrutura a termo da taxa de juros no Brasil : projeções utilizando aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCajueiro, Daniel Oliveira-
Autor(es): dc.creatorSouza Junior, Pedro Ivo Ferreira de-
Data de aceite: dc.date.accessioned2021-10-14T18:01:35Z-
Data de disponibilização: dc.date.available2021-10-14T18:01:35Z-
Data de envio: dc.date.issued2021-09-01-
Data de envio: dc.date.issued2021-09-01-
Data de envio: dc.date.issued2021-09-01-
Data de envio: dc.date.issued2021-07-08-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/41996-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/621820-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Departamento de Economia, 2021.-
Descrição: dc.descriptionEste trabalho tem como objetivo principal avaliar modelos de aprendizado de máquina, com o propósito de previsão de séries temporais, para projeção da Estrutura a Termo da Taxa de Juros – ETTJ brasileira. Os modelos tratados neste trabalho são: K Vizinhos mais Próximos, Least Absolute Shrinkage and Selection Operator – LASSO, Floresta Aleatória, Extreme Gradient Boosting e Máquinas de Vetor Suporte. No treinamento dos modelos foram utilizadas, primeiramente, as séries históricas das taxas de dezesseis vértices da ETTJ, e, adicionalmente, em um segundo momento, foram incluídas variáveis macroeconômicas aos dados de treinamento. O objetivo era avaliar se os desempenhos desses modelos seriam superiores ao do modelo Passeio Aleatório – PA, usado na literatura como referência para avaliação de desempenho de modelos de projeções de séries temporais. Os resultados mostraram que não é possível determinar um modelo, para os dados brasileiros, que consistentemente produza menor erro de previsão que o Passeio Aleatório em todos os horizontes de projeção. Por outro lado, quanto mais curto o prazo de projeção, mais os modelos analisados se tornam superiores ao Passeio Aleatório. As análises também indicaram que a inclusão de variáveis macroeconômicas para o treinamento não gerou melhores resultados nas projeções de forma consistente, apesar da existência de correlação entre essas variáveis e a dinâmica das taxas de juros da ETTJ.-
Descrição: dc.descriptionThe main objective of this work is to evaluate machine learning models, with the purpose of forecasting time-series, for the forecasting of the Brazilian yield curve. The models covered in this work are K Nearest Neighbors, Least Absolute Shrinkage and Selection Operator – LASSO, Random Forest, Extreme Gradient Boosting and Support Vector Machines. In the model training, first, the historical time-series of the yield curve were used, for sixteen vertices, and, additionally, in a second moment, macroeconomic variables were included in the training data. The objective was to evaluate whether the performance of these models would be superior to that of the Random Walk model, used in the literature as a reference for evaluating the time-series performance of forecasting models. The results showed that it is not possible to determine a model, for the Brazilian data, that consistently produces less forecast error than the Random Walk in all projection horizons. On the other hand, the shorter the projection period, the more the analyzed models become superior to Random Walk. The results also indicated that the inclusion of macroeconomic variables for training did not consistently generate better results in the projections, despite the existence of a correlation between these variables and the dynamics of the yield curve.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectTaxa de juros-
Palavras-chave: dc.subjectModelos de previsão-
Palavras-chave: dc.subjectAprendizado do computador-
Título: dc.titleEstrutura a termo da taxa de juros no Brasil : projeções utilizando aprendizado de máquina-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:UNB

Não existem arquivos associados a este item.