Tail risk hedging - gestão de risco em dados de alta frequência
| dc.contributor.advisor | Hadad Junior, Eli | |
| dc.contributor.author | Macedo Junior, Richard Willians | |
| dc.date.accessioned | 2023-09-20T14:39:32Z | |
| dc.date.available | 2023-09-20T14:39:32Z | |
| dc.date.issued | 2023-08-09 | |
| dc.description.abstract | Este estudo visa ampliar a literatura existente com base em modelos preditivos de gestão de risco para proteger carteiras de investimento contra grandes perdas em situações de mercado estressantes como eventos inesperados, minimizando o acentuado impacto negativo que costumam causar em portfolios no geral. Para isso são utilizados dados em alta frequência, que oferecem maior nível de significância estatística quando comparados a dados de baixa frequência, possibilitando a compreensão da microestrutura e o comportamento dos ativos no mercado acionário brasileiro. Assim os modelos preditivos foram desenvolvidos considerando todas as nuances envolvidas no comportamento do preço dos ativos analisados. A base deste estudo é desenvolvida nas primeiras sessões através da análise bibliométrica e revisão sistemática, base essa definida na lacuna de conhecimento encontrada de mapear e analisar a literatura acadêmica acerca do gerenciamento de risco de cauda através de modelos preditivos. Dessa forma o Generalized Methods of Moments (GMM) mostrou-se compatível com as características desejadas para a previsão do Value-at-Risk (VaR) e do Expected-Shortfall (ES), corroborado pelo fato do modelo ser capaz de lidar com distribuições não normais. As previsões contaram também com ferramentas de machine learning com uso de rede neural artificial do tipo Long Short-Term Memory (LSTM). Os resultados gerados pelo método dos momentos indicam que é possível através do modelo estimar as perdas dos ativos analisados em cenários de incerteza. Porém, resultados não favoráveis são gerados pela rede LSTM que não foi capaz de prever com exatidão as perdas para o ativo PETR3. | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/33372 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.publisher.country | Brasil | |
| dc.publisher.initials | UPM | |
| dc.subject | tail-risk hedging | |
| dc.subject | high-frequency data | |
| dc.subject | fat tail | |
| dc.subject | value-at-risk | |
| dc.subject | expected shortfall | |
| dc.subject | forecast | |
| dc.title | Tail risk hedging - gestão de risco em dados de alta frequência | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2030318390506756 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-2985-9241 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/3037361153949000 | |
| local.contributor.authorOrcid | https://orcid.org/0000-0002-8269-1153 | |
| local.contributor.board1 | Basso, Leonardo Fernando Cruz | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/1866154361601651 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-3064-0194 | |
| local.contributor.board2 | Kimura, Herbert | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/2048706172366367 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0001-6772-1863 | |
| local.description.abstracten | This study aims to expand the existing literature based on predictive risk management models to protect investment portfolios against large losses in stressful market situations such as unexpected events, minimizing the sharp negative impact that they usually have on portfolios in general. For this, high frequency data are used, which offer a higher level of statistical significance when compared to low frequency data, enabling the understanding of the microstructure and behavior of assets in the Brazilian stock market. Thus, the predictive models were developed considering all the nuances involved in the price behavior of the analyzed assets. The basis of this study is developed in the first sessions through bibliometric analysis and systematic review, which is defined in the knowledge gap found in mapping and analyzing the academic literature about tail risk management through predictive models. Thus, the Generalized Methods of Moments (GMM) proved to be compatible with the desired characteristics for the prediction of Value-at-Risk (VaR) and Expected-Shortfall (ES), corroborated by the fact that the model can deal with distributions not normal. The predictions also relied on machine learning tools using an artificial neural network of the Long Short-Term Memory (LSTM) type. The results generated by the method of moments indicate that it is possible, through the model, to estimate the losses of the assets analyzed in scenarios of uncertainty. However, unfavorable results are generated by the LSTM network, which was not able to accurately predict the losses for the PETR3 asset. | |
| local.keywords | tail-risk hedging | |
| local.keywords | high-frequency data | |
| local.keywords | fat tail | |
| local.keywords | value-at-risk | |
| local.keywords | expected shortfall | |
| local.keywords | forecast | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.program | Administração de Empresas | |
| local.subject.cnpq | CNPQ::CIENCIAS SOCIAIS APLICADAS |