[en] FORECASTING LARGE REALIZED COVARIANCE MATRICES: THE BENEFITS OF FACTOR MODELS AND SHRINKAGE

• Ano de defesa: 2018
• Autor(a) principal: DIEGO SIEBRA DE BRITO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PREVISAO; [pt] ALOCACAO DE PORTFOLIO; [pt] COVARIANCIA REALIZADA; [pt] LASSO; [pt] BIG DATA; [pt] MODELO DE FATORES; [en] FORECASTING; [en] PORTFOLIO ALLOCATION; [en] REALIZED COVARIANCE; [en] LASSO; [en] BIG DATA; [en] FACTOR MODELS
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35140&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=35140&idi=2; http://doi.org/10.17771/PUCRio.acad.35140

[pt] Este trabalho propõe um modelo de previsão de matrizes de covariância realizada de altíssima dimensão, com aplicação para os componentes do índice S e P 500. Para lidar com o altíssimo número de parâmetros (maldição da dimensionalidade), propõe-se a decomposição da matriz de covariância de retornos por meio do uso de um modelo de fatores padrão (e.g. tamanho, valor, investimento) e uso de restrições setoriais na matriz de covariância residual. O modelo restrito é estimado usando uma especificação de vetores auto regressivos heterogêneos (VHAR) estimados com LASSO (Least Absolute Shrinkage and Selection Operator). O uso da metodologia proposta melhora a precisão de previsão em relação a benchmarks padrões e leva a melhores estimativas de portfólios de menor variância.