Please use this identifier to cite or link to this item: https://repositorio.ufpb.br/jspui/handle/123456789/15198
metadata.dc.type: Tese
Title: Ensaios sobre modelos de previsão econômica
metadata.dc.creator: Godeiro, Lucas Lúcio
metadata.dc.contributor.advisor1: Lima, Luiz Renato Regis de Oliveira
metadata.dc.description.resumo: Esta tese compreende 3 capítulos sobre o tema Modelos de Previsão Econômica. Abaixo seguem os resumos individuais de cada capítulo. Capítulo 1: Medindo Incerteza Macroeconômica para o Brasil Este capítulo propõe uma nova medida de incerteza macroeconômica para o Brasil. O índice foi construído com base na metodologia de Jurado et al. (2015), utilizada na construção do índice para a economia americana. Mostramos que o aumento no nível de incerteza precede as duas últimas recessões no Brasil e que a mudança na política macroeconômica ocorrida em 2010-2011, elevou de forma substancial o nível de incerteza na economia brasileira. Nosso trabalho sugere que a medida proposta de incerteza possui potencial para analisar políticas macroeconômicas e prever recessões. Capítulo 2: Identificando o Poder Preditivo das Minutas do FED Este capítulo propõe um novo método para extrair as informações mais preditivas das minutas do FED. Em vez de considerar um dicionário (conjunto de palavras) com um conteúdo fixo, construímos um dicionário cujo conteúdo pode mudar com o tempo. Especificamente, utilizamos o aprendizado de máquina(Machine Learning) para identificar as palavras mais preditivas (o conteúdo mais preditivo) de uma determinada minuta e usá-las para derivar novos preditores. Mostramos que os novos preditores melhoram a acurácia da previsão do crescimento do Produto por uma margem estatisticamente significativa, sugerindo que a combinação de aprendizado de máquina e regressão de texto(Text Regression) pode ser interpretada como um dispositivo poderoso para a previsão macroeconômica fora da amostra. Capítulo 3: Previsão do Prêmio de Risco:Identificando o Poder Preditivo das Notícias Financeiras Estecapítulopropõeumnovométodoparaextrairasinformaçõesmaispreditivasdasnotícias financeiras do Wall Street Journal e do The New York times. Em vez de considerar um dicionário (conjunto de palavras) com um conteúdo fixo, construímos um dicionário cujo conteúdo pode mudar com o tempo. Especificamente, utilizamos o aprendizado de máquina(Machine Learning) para identificar as raízes de palavras/termos mais preditivos (o conteúdo mais preditivo) de uma determinada notícia e usá-las para derivar novos preditores. Mostramos que os novos preditores melhoram a acurácia da previsão do prêmio de risco por uma margem estatisticamente significativa. Também encontramos que as notícias aumentam a utilidade e os ganhos financeiros para um investidor com função utilidade média-variância.
Abstract: This dissertation encompasses three chapters that study Economic Forecasting Models. Below are the abstracts for each chapter. Chapter 1: Measuring Macroeconomic Uncertainty to Brazil ThechapterproposesestimatingamacroeconomicmeasureofuncertaintytoBrazil. The indexwasconstructedbasedonthemethodologyofJurado(2015)usedtobuildthesame index for the US economy. We show that an increase in the uncertainty level leads economic recessions. Moreover, the recent macroeconomic policy adopted by the Brazilian government in 2010-2011 was followed up by substantial increase in the uncertainty level of the Brazilian economy. Our results suggest that the proposed uncertainty measure can be used to assess macroeconomic policies as well as predict economic recessions.Chapter 2: Identifying the Predictive Power of FED Minutes This chapter proposes a novel method to extract the most predictive information from FED minutes. Instead of considering a dictionary (set of words) with a fixed content, we construct a dictionary whose content is allowed to change over time. Specifically, we utilize machine learning to identify the most predictive words (the most predictive content) of a given minute and use them to derive new predictors. We show that the new predictors improve forecast accuracy of Output growth by a statistically significant margin, suggesting that the combination of machine learning and text regression can be interpreted as a powerful device for out-of-sample macroeconomic forecasting. Chapter 3: Equity Premium Forecasting: Identifying the Predictive Power of Financial News This chapter proposes a novel method to extract the most predictive information from Financial News published in the Wall Street Journal and The New York Times. Instead of considering a dictionary (set of words) with a fixed content, we construct a dictionary whose content is allowed to change over time. Specifically, we utilize machine learning to identify the most predictive words(the most predictive content) of a given financial news and use them to derive new predictors. We show that the new predictors improve forecast accuracy of Equity Premium by a statistically significant margin. We also finds that the Financial News increases the utility and financial gains, for a investor with a mean-variance utility function.
Keywords: Incerteza macroeconômica
Regressão de texto
Aprendizado de máquina
Previsão macroeconômica
Previsão financeira
Macroeconomic uncertainty
Text regression
Machine learning
Macroeconomic forecasting
Financial forecasting
metadata.dc.subject.cnpq: CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal da Paraíba
metadata.dc.publisher.initials: UFPB
metadata.dc.publisher.department: Economia
metadata.dc.publisher.program: Programa de Pós-Graduação em Economia
metadata.dc.rights: Acesso Aberto
Attribution-NoDerivs 3.0 Brazil
metadata.dc.rights.uri: http://creativecommons.org/licenses/by-nd/3.0/br/
URI: https://repositorio.ufpb.br/jspui/handle/123456789/15198
Issue Date: 12-Dec-2018
Appears in Collections:Centro de Ciências Sociais e Aplicadas (CCSA) - Programa de Pós-Graduação em Economia

Files in This Item:
File Description SizeFormat 
Arquivototal.pdfArquivo total2,61 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons