Skip navigation

Use este identificador para citar ou linkar para este item: https://repositorio.ufpb.br/jspui/handle/123456789/15198
Registro completo de metadados
Campo DCValorIdioma
dc.creatorGodeiro, Lucas Lúcio-
dc.date.accessioned2019-08-06T16:18:15Z-
dc.date.available2019-08-06-
dc.date.available2019-08-06T16:18:15Z-
dc.date.issued2018-12-12-
dc.identifier.urihttps://repositorio.ufpb.br/jspui/handle/123456789/15198-
dc.description.abstractThis 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.pt_BR
dc.description.provenanceSubmitted by Eliane Freitas (elianneaninha@gmail.com) on 2019-08-06T16:18:14Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) Arquivototal.pdf: 2669861 bytes, checksum: cca771eaa2bed1b55f1c52d74e3bd11c (MD5)en
dc.description.provenanceMade available in DSpace on 2019-08-06T16:18:15Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) Arquivototal.pdf: 2669861 bytes, checksum: cca771eaa2bed1b55f1c52d74e3bd11c (MD5) Previous issue date: 2018-12-12en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal da Paraíbapt_BR
dc.rightsAcesso abertopt_BR
dc.rightsAttribution-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/br/*
dc.subjectIncerteza macroeconômicapt_BR
dc.subjectRegressão de textopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectPrevisão macroeconômicapt_BR
dc.subjectPrevisão financeirapt_BR
dc.subjectMacroeconomic uncertaintypt_BR
dc.subjectText regressionpt_BR
dc.subjectMachine learningpt_BR
dc.subjectMacroeconomic forecastingpt_BR
dc.subjectFinancial forecastingpt_BR
dc.titleEnsaios sobre modelos de previsão econômicapt_BR
dc.typeTesept_BR
dc.contributor.advisor1Lima, Luiz Renato Regis de Oliveira-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6470751311033429pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0903970970268664pt_BR
dc.description.resumoEsta 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEconomiapt_BR
dc.publisher.programPrograma de Pós-Graduação em Economiapt_BR
dc.publisher.initialsUFPBpt_BR
dc.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIApt_BR
Aparece nas coleções:Centro de Ciências Sociais e Aplicadas (CCSA) - Programa de Pós-Graduação em Economia

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Arquivototal.pdfArquivo total2,61 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons