ANALISE DE SERIES TEMPORAIS PEDRO A. MORETTIN CLELIA M. C. TOLOI VOLUME 2 Blucher dV - PROJETO FISHERAndalise de séries temporais Volume 2Politica editorial do Projeto Fisher O Projeto Fisher, uma iniciativa da Associagao Brasileira de Estatistica (ABE) e tem como finalidade publicar textos basicos de estatistica em lingua portuguesa. ‘A concepgao do projeto se fundamenta nas dificuldades encontradas por professores dos diversos programas de bacharelado em Estatistica no Brasil em adotar textos para as disciplinas que ministram. Ainexisténcia de livros com as caracteristicas mencionadas, aliada ao pequeno mimero de exemplares em outro idioma existente em nossas bibliotecas impedem a utilizacdo de material bibliografico de uma forma sistematica pelos alunos, gerando o habito de acompanhamento das disciplinas exclusivamente pelas notas de aula. Em particular, as éreas mais carentes sto: amostragem, andlise de dados categorizados, andlise multivariada, andlise de regressao, andlise de sobrevivén- cia, controle de qualidade, estatistica bayesiana, inferéncia estatistica, planeja- mento de experimentos etc. Embora os textos que se pretende publicar possam servir para usudrios da estatistica em geral, 0 foco deveré estar concentrado nos alunos do bacharelado. Nesse contexto, os livros devem ser elaborados procurando manter um alto nivel de motivagao, clareza de exposico, utilizagdo de exemplos preferencialmente originais ¢ nao devem prescindir do rigor formal. Além disso, devem conter um mimero suficiente de exercicios e referéncias bibliograficas e apresentar indicagoes sobre implementagao computacional das técnicas abordadas. ‘A submissao de propostas para possivel publicagao devera ser acompanhada de uma carta com informacées sobre o objetivo de livro, contetide, comparagao com outros textos, pré-requisitos necessarios para sua leitura e disciplina onde 0 material foi testado. Associagao Brasileira de Estatistica (ABE) BlucherAnialise de séries temporais Pedro A. Morettin Clélia M. C. Toloi Instituto de Matematica e Estatistica Universidade de Sao Paulo Volume 2 Modelos multivariados e nao lineares ABE - PROJETO FISHERAndlise de séries temporais, vol. 2: Modelos multivariados endo lineares © 2020 Pedro A. Morettin Clélia M. C. Toloi Editora Edgard Blucher Ltda. Blucher Dados Internacionais de Catalogacdo na Publicacio (CIP) ‘Angélica lacqua CRB-8/7057 Rua Pedroso Alvarenga, 1245, 4° andar 04531-934 ~ Sao Paulo ~ SP - Brasil Tel.: 55 11 3078-5365 contato@blucher.com.br www.blucher.com.br Segundo o Nove Acordo Ortografico, conforme 5. ed. do Vocabulério Ortografico da Lingua Portuguesa, Academia Brasileira de Letras, marco de 2009 E proibida a reproducao total ou parcial por qualsquer meios sem autorizacao escrita da editora. Morettin, Pedro A. Analise de séries temporais - volume Il : Modelos multivariados © nao lineares / Pedro A. Morettin, Clélia M. C. Toloi. - Sao Paulo : Blucher, 2020. 284 pil. Bibliografia ISBN 978-65-5506-004-1 (impresso) ISBN 978-65-5506-006-5 (eletrénico) 1. Séries temporais |. Titulo. I, Toloi, Clélia M. C. 20-0371 cop 519.232 “Todos 0s direitos reservados pela Editora Edgard Blicher Ltda, Indices para catalogo sistematico: 1. Séries temporaisContetido Preficio 1. Preliminares 11 Introdugio.. 6.0... 1.2 Aspectos computacionais . 1.3. Séries temporais usadas no texto . . 1.3.1 Séries temporais tsadas no Volume 1. 1.3.2 Séries novas.... . foe vane wm 2 Modelos de Espago de Estados 2.1 Introducio. 2.2 Representagio em espaco de estados 2.3. O filtrode Kalman .... . 2.4 Estimadores de maxima verossimilhanca 2.5 Modelos estruturais. . . . . 2.5.1 Modelo de nivel local . 2.5.2 Modelo de tendéncia beat. ane we 5.3 Modelo com tendé 2.5.4 Modelo com ciclo . 2.6 Observagoes perdidas . 2.7 Tépicos adicionais 2.8 Problemas . 3 Modelos Lineares Multivariados 3.1 Introdugio. . 2... 2... 3.2 Séries estaciondrias . . . . 3.3 Estimacio de médias e covaridncias . vii ia local e componente sazonalCONTEUDO viii 3.4 Modelos antorregressivos vetoriais . . 42 3.5 Construgio de modelos VAR... ... 48 36 Problemas............0005 54 ‘Apéndice 3.4: Modelo VAR(p) na Forma VAR(1) . . - at 87 Apéndice 3.B: Causalidade de Granger... 0. ee ee 37 4 Modelos Heteroscedasticos Condicionais 61 4.1 Introdugao . Le 61 42 Retornoss som saeesGubwiseusasemasmeswess 62 4.3. Fatos estilizados sobre retornos . . . . errr 64 4.4. Distribnigdes de retornos . 66 4.5 Assimetria e curtose . 69 4.6 Modelos ARCH . 70 4.7 Modelos GARCH 84 4.8 Extensdes do modelo GARCH...... 98 4.8.1 Modelos EGARCH....... cee .. 98 4.8.2 Modelos TGARCH £6 2 as a 53 6 10% 4.9 Modelos de volatilidade estocdstica . 0... eee eee 108 4.10 Problemas . . . te fake SS Oa man a te noe a aoe BN 5 Modelos GARCH Multivariados 123 5. Introdugio. 2. eee 5.2. Generalizacées do modelo GARCH univariado . . 5.2.1 Modelos VEC . 5.2.2 Modelos BEKK 5.3 Modelo fatorial via componentes principais 5.3.1 Modelo via componentes prineipais .. . . . 5.3.2 ModeloGO-GARCH ............ 5.4 Combinagoes nao lineares de modelos GARCH 5.4.1 Modelos com correlagées condicionais constantes . 139 5.4.2 Modelos com correlagées condicionais dindmicas 143 5.5 Problemas . . . $2655 BEEBE M45 6 Modelos Nao Lineares 149 6.1. Introdugio . bee e eee 6.2 Expansoes de Volterra. . Le Lee . 151 6.3 Modelos bilineares 5 geGiaS me Ew ESE 152 Formulacio gral... 0. eee 153 Forma vetorial de um modelo bilinear 154 Estacionariedade e invertibilidadeCONTEUDO ix 6.4 Modelos lineares por partes... . 64.1 Formulacéo geral . 6.4.2 Modelos TAR . 6.4.3 Estimagao de modelos TAR. . 6.4.4 Identificagao e teste para linearidade 6.4.5 Previsiio de modelos TAR . . 6.5 Modelos de transigao markovianos 6.5.1 Formulaco geral . 5.2 Estimacio 6.5.3 Previsao de MTM 6.6 Modelos AR funcionais . . . . awa wR aes Apéndice 6.A: Estimagéo de um modelo bilinear... . . 192 Apéndice 6.B: Estimacao de MTM 193 7 Andlise Espectral Multivariada 197 ZX TnttodueRd si s,ssaczagsaessareans tamuawag 107 7.2. Representacées espectrais ... . . 73 Coeréncia complexa e quadrdtica . 7.4 Estimacio do espectro cruzado . 7.5 Estimadores suavizados 7.7 Problemas ... . Apéndice 7.4: Cumulantes . 216 8 Processos Nao Estaciondrios 221 8.1 Introdugao. .... . 221 8.2 Processos cointegrados . 8.2.1 Tendéncias comuns . 8.2.2 Modelo de correcao de erro 8.2.3 Testes para cointegracio . 8.3 Espectros dependentes do tempo . . : 8.3.1 Solugdes que preservam a ortogonalidade 8.3.2 Solugdes que preservam a frequéncia 8.3.3 Processos localmente estaciondrios . 8.3.4 Estimacao do espectro de Priestley . 8.3.5 Estimacao do espectro de Wigner-Ville 8.3.6 Estimacdo do espectro de PLE... . . 8.3.7 Comentarios adicionais. . . . 8.4 Problemas . . 8.4.1 Cointegracio ... . 8.4.2 Espectros dependentes do tempo . 223x CONTEUDO Referéncias 257 indice remissivo 269CapiTuLo 1 Preliminares 1.1 Introdugao No Volume 1, tratamos os modelos lineares univariados, principalmente os chamados modelos ARIMA (autorregressivos, integrados, de médias méveis). Estudamos, também, a anélise espectral para séries temporais estaciondrias univariadas. Neste segundo volume, estudaremos modelos multivariados Tineares ¢ al- guns modelos ndo lineares. Modelos nfo estacionérios, de modo geral, sio complicados de analisar. No Capitulo 8, trataremos de uma forma especial de niio estacionariedade, ou seja, relagdes de cointegragiio entre séries ni esta- ciondrias que sao integradas de determinada ordem, em particular, integradas de ordem um, ou I(1). No que se refere & andlise espectral, trataremos do caso bivariado para séries estaciondrias. A anélise espectral para processos nio estaciondrios sera apresentada no Capitulo 8 para o caso univariado. Comegamos, no Capitulo 2, com os modelos de espago de estados lineares e gaussianos. Esses modelos siio importantes, porque muitas classes de modelos como os de regressao, ARMA etc., sao casos particulares desses modelos. Nao trataremos de modelos de espaco de estados nao lineares e nao gaussianos. Para detalhes, veja a Secio 2.7 e Douc et al. (2014). A seguir, no Capitulo 3, estudamos os modelos lineares multivariados, em especial os modelos VAR (autorregressivos vetoriais) No Capitulo 4, estudamos os modelos heteroscedasticos condicionais, apro- priados para modelar a volatilidade de séries financeiras. Em especial, consi- deramos os modelos da familia ARCH e os modelos de volatilidade estocastica. Modelos GARCH multivariados siio estudados no Capitulo 5 e, modelos nio lineares, no Capitulo 6. Este capitulo talvez seja o mais dificil para2 CAPITULO 1. PRELIMINARES leitor, por varias razdes, mas principalmente porque pacotes computacionais somente existem para alguns modelos. No Capitulo 7, estudamos a andlise espectral multivariada, restringindo- nos ao caso bivariado. Finalmente, no Capitulo 8, apresentamos nogdes sobre cointegracao e andlise espectral para processos nao estacionarios univariados. 1.2 Aspectos computacionais Nos exemplos do livro, procuramos usar, sempre que possivel, pacotes do Repositério R. Em algumas situagoes, foi necessério usar o pacote SPlus, ou porque o R nfo possui pacotes apropriados, ou porque seu uso conduziu a resultados conflitantes ou inesperados. Pacotes do R podem ser obtidos gratuitamente em The Comprehensive R Archive Network, no site www.r- project.org/ 1.3 Séries temporais usadas no texto Nesta Seco descreveremos as séries temporais usadas no texto. Os arqui- vos de dados estado no site do livro. 1.3.1 Séries temporais usadas no Volume 1 Tremos ilustrar varias técnicas usadas no livro com si Volume 1, Seco 1.9. Sao elas: ies apresentadas no 1) No Capitulo 2 usamos as séries ICV, Chuva (Lavras), Consumo, indices (IPI, PFI), Energia, Temperatura (Ubatuba), Ibovespa e Petrobras (ambas de 19/08/1998 a 29/09/2010). 2) No Capitulo 3 usamos as séries Tbovespa e Petrobras (como em 1)), Tbovespa ¢ C-Bond mensais, Ibovespa ¢ Merval, Ibovespa ¢ IPC (essas quatro tiltimas de 04/09/1995 a 30/12/2004), Ibovespa e Cemig (de 02/01/1995 a 27/12/2000), Vale ¢ Petrobras (de 31/05/1998 a 29/09/2010). 3) No Capitulo 4 usamos as séries Ibovespa (de 04/07/1994 a 29/09/2010), Petrobras (de 30/01/1995 a 27/12/2000), Vale (de 31/08/1998 a 29/09/2010), TAM (de 10/01/1995 a 27/12/2000). Globo (de 06/11/1996 a 27/12/2000) e Cemig (como em 2)).CapiTuLo 2 Modelos de Espago de Estados 2.1 Introdugao Uma classe bastante geral de modelos, denominados modelos de espago de estados (MEE) ou modelos lineares dinamicos (MLD), foi introduzida por Kal- man (1960) e Kalman e Bucy (1961) no contexto de rastreamento de veiculos espaciais. Tais modelos tém sido extensivamente utilizados para modelar da- dos provenientes da Economia (Harrison e Stevens, 1976; Harvey e Pierse, 1984; Harvey e Todd, 1983; Kitagawa e Gersch, 1984; Shumway ¢ Stoller, 1982), da area médica (Jones, 1984) e de ciéncias do solo (Shumway, 1985), dentre outras areas. Neste capitulo estudaremos os modelos estruturais, que podem ser postos facilmente na forma de espacos de estados. A referéncia bdsica para o estudo desses modelos 6 Harvey (1989). HA um enfoque bayesiano ao MLD que nao serd discutide aqui. Veja Meinhold e Singpurwalla (1983) e West e Harrison (1997) para detalhes. Abordagens basedas em projecées distribuigdes nor- mais multivariadas podem ser encontradas em Jazwinski (1970) e Anderson e Moore (1979). 2.2 Representagao em espago de estados Todo modelo linear de séries temporais q-dimensionais tem representacéio em espaco de estados, que relaciona 0 vetor de observagoes {Z;} e 0 vetor de rufdos {v%}, por meio de um processo de Markov {X;}, p dimensional, denominado vetor de estados. Assim 0 modelo de espaco de estados (MEE) ou modelo linear dinémico (MLD), em sua forma bésica, 6 constituido por duas mt8 CAPITULO 2. MODELOS DE ESPAGO DE ESTADOS equagies: A= AN+y, (2.1) X= GXatwm, (2.2) em que Ar 6a matriz do sistema, ou matriz de mensuragdes, de ordem q x p; ve €0 vetor ruido das observagées, de ordem q x 1, nao correlacionado, com média zero e matriz de covariancias R: Gr & a matriz de transigéio, de ordem p x p e w, 6 1m vetor de rufdos nao correlacionados, representando a perturbagao do sistema, de ordem p x 1, com média zero e matriz de covariancias Q. A equagao (2.1) 6 denominada equacéo das observagées, enquanto (2.2) 6 a equagéio de estados ou do sistema. No MEE supde-se que: (a) 0 estado inicial Xo tem média jig e matriz de covariancias Do; (b) os vetores de ruidos vu € we sao nio correlacionados entre si e no corre- lacionados com o estado inicial, isto é, E(u;w!,) = 0, para todo t, 5 E(u,X}) = 0¢ E(w,X}) =0, t= Dizemos que 0 modelo de espaco de estados é gaussiano quando os vetores de rufdos forem normalmente distribufdos. No modelo univariado q = 1, A; é um vetor e v; é um rufdo com média zero e varidncia 02. As matrizes A; e G; so nio estocisticas; assim, se houver variagio no tempo, esta sera predeterminada. Quando essas matrizes forem constantes no tempo, o sistema seré dito invariante no tempo ou homogéneo no tempo. Um caso especial desse tipo de modelo sio os modelos estacionarios. Além disso, se houver elementos desconhecidos, nessas matrizes, cles poderdo ser estimados utilizando-se o método de maxima verossimilhanca ou métodos bayesianos. A anilise de (2.1) e (2.2) indica que o vetor de estados nao é diretamente observado; o que se observa 6 uma verso linear dele, adicionada a um ruido. O modelo bisico (2.1)-(2.2) pode ser modificado incluindo varidveis ex6- genas e/ou erros correlacionados; veja Shumway e Stoffer (2015).CapiTUuULo 3 Modelos Lineares Multivariados 3.1 Introdugao Neste capitulo, vamos considerar uma série temporal vetorial X;, com n componentes X\,,X2),-.-,Xne, para t € Z. O objetivo é estudar as relacdes entre as séries componentes. Usaremos a notagao X¢ = (Xi, Xot,---,Xnt)', t € Z ou Xu e Xi¢ para a i-ésima componente, i = 1,...,n. Este capitulo é ba- seado em Morettin (2017) Exemplo 3.1. Podemos pensar o vetor X;, com componentes Xi1,4 = 1,2,3,4, representando quatro canais de um EEG, obtido de uma paciente com crise epiléptica. Veja a Figura 3.1 O vetor de médias de X¢ sera denotado por My = E(Xe) = (ine, pats---s pnt)! (3.1) e depende, em geral, de t. A matriz de covaridncias de X, é definida por V(t, te) = EEK — Hy,)(Kee — Hag)'}s (3.2) que é uma matriz n x n e que, em geral, depende de # ¢ t2. ‘As quantidades (3.1) e (3.2) descrevem as propriedades de segunda ordem das séries Xij,...,Xne. Se essas tiverem uma distribuicao normal multivaria~ da, as propriedades das séries serio completamente especificadas pelas médias e covariancias. Observe que (3.2) fornece as autocovarifincias das séries indi- viduais bem como as covariancias entre séries diferentes. 3738 CAPITULO 3. MODELOS LINEARES MULTIVARIADOS * ° # 0 Figura 3.1: Quatro canais de um EEG. Denotando-se por ¥;;(t1,t2), i,j = 1,....n as componentes da matriz T(t, t2), entao yg(tr,t2) = Cov{Xit,,Xjt2} EX(Xige, = Hits )(Xte — Mite) (33) syn, 6a covaridncia entre as séries Xi, € Xjuo vui(tiste) Yie(tist2) +++ alti t2) P(t,t2) = eae oaltite) «+ ae | yai(tis te) raa2(tr,t2) yaa(tas t2) Na diagonal principal temos as autocovariancias das séries individuais, calculadas nos instantes f; € f, enquanto fora da diagonal principal temos as covaridncias cruzadas entre as séries X;4, € Xjua, i # J. Um caso de interesse 6 quando tanto o vetor de médias nao depende de te a matriz de covaridncias nio depende de fy e t2. Obteremos séries (fracamente) estaciondrias.CapiTULo 4 Modelos Heteroscedasticos Condicionais 4.1 Introdugao Neste capitulo estudaremos alguns modelos apropriados para séries finan ceiras que apresentam a variincia condicional evoluindo no tempo. Os modelos lineares do tipo ARIMA nao sao adequados para descrever esse tipo de com- portamento. HA uma variedade muito grande de modelos nfo lincares disponfveis na literatura, mas nés vamos nos concentrar, neste capitulo, na classe de modelos ARCH (“autoregressive conditional heterocedasticity”), introduzida por Engle (1982) e suas extensdes. Esses modelos sAo nao lineares no que se refere A varidncia. Consideraremos, também, os modelos de volatilidade estocastica, que também admitem que a volatilidade varia com o tempo, mas tém uma premissa diferente dos modelos da familia ARCH. Como dissemos, 0 objetivo seré modelar o que se chama de volatilidade, que 6 a varidincia condicional de uma varidvel, comumente um retorno. Embora nao seja medida diretamente, a volatilidade manifesta-se de varias maneiras numa série financeira (Pefia et al., 2001, cap. 9): (i) a volatilidade aparece em grupos, de maior ou menor variabilidade; (ii) a volatilidade evolui continuamente no tempo, podendo ser considerada estacionaria; (iii) ela reage de modo diferente a valores positivos ou negativos da série. Para fixar a notagio, consideremos uma série de retornos, ou taxas de crescimento, de uma varidvel P; (comumente o preco de um ativo financeiro), 6162 CAPITULO 4. MODELOS HETEROSCEDASTICOS CONDICIONAIS dada por X= In(P,) — n(Pe-1), (4.1) e sejam He = E(XlFia), he = Var(XilFia) (42) a média e varincia condicional de Xp, onde F;—1 ¢ a informacio até o instante t= 1 que consideraremos ser {Xj1,--., Xi}. Vamos supor que 1, = 0 de modo que h; = E(X?|Fi-1). 4.2 Retornos Um dos objetivos em finangas é a avaliagao de riscos de uma carteira de ativos (instrumentos) financeiros. O risco é frequentemente medido em termos de variagdes de pregos dos ativos. Denotemos por P; 0 prego de um ativo no instante t, normalmente um dia de negécio. Suponha, primeiramente, que nio haja dividendos pagos no perfodo. O retorno liquido simples deste ativo é definido por P-Pa_ AP R= = ‘Pa Ba (42) Note que R, = P,/P;1 — 1. Chamamos 1+ R, = P;/P,1 de retorno bruto simples. Usualmente expressamos Ry em percentagem, relativamente ao perfodo (um dia, um més, um ano etc.); é também chamado de tara de retorno. Denotando p; = log P; (sendo o logaritmo na base e), definimos 0 retorno composto continuamente ou simplesmente log-retorno como 1 = log = log(1 + Ri) = pe - pa (4.4) Essa definigdo sera aquela comumemente utilizada e, muitas vezes, r; seré chamado simplesmente de retorno. Observe que ry = Alog Pi, ou seja, tomamos o logaritmo dos precos e depois a primeira diferenca. Na pratica 6 preferivel trabalhar com retornos, que sao livres de escala, do que com precos, pois os primeiros tém propricdades estatisticas mais interes- santes (como estacionariedade e ergodicidade). Um dos objetivos sera, entao, modelar retornos. Diversas classes de modelos podem ser utilizadas para esseCapiTULo 5 Modelos GARCH Multivariados 5.1 Introducao Modelos multivariados podem ser titeis em Areas como selecio de cartei- ras (portfolios), aprecamento de opgées, hedging e gestiio de riscos. Nesse capitulo introduzimos modelos GARCH multivariados para descrever relagdes dinamicas entre processos de volatilidade de um mesmo mercado ou entre varios mercados. Outras quest6 importantes sao (veja Banwens et al., 2006): (a) a volatilidade de wm mercado pode influenciar as volatilidades de outros mercados? (b) a volatilidade de um ativo pode ser transmitida para a volatilidade de outro ativo? (c) correlagdes entre retornos de ativos mudam com o tempo? Fatos relevantes relacionados aos modelos GARCH multivariados sao: (a) © mimero de parametros a estimar aumenta com o ntimero de séries envolvidas. Nesse sentido, a ideia é considerar modelos parcimoniosos que permitam uma estimagio relativamente facil dos parametros, mas que capturem a dindmica relevante presente na estrutura de covariancias; (b) ao especificar um modelo multivariado, 6 necessdrio impor que a matriz de covariancias dos retornos seja positiva definida, uma tarefa que pode ser muito dificil ou mesmo im- possivel; (c) carteiras de ativos financeiros envolvem dezenas ou centenas de ativos, portanto, a tarefa de ajustar um modelo heteroscedéstico condicional 123124 CAPITULO 5. MODELOS GARCH MULTIVARIADOS multivariado pode ser impossfvel, dada a complexidade computacional envol- vida. Por isso, torna-se mais atraente ajustar um modelo univariado A série de retornos da carteira. Suponha que temos um vetor de retornos r;, de ordem nx 1, ¢ consideramos © modelo T= Met er, -1) em que pe = E(ri|Fr-1) € 0 vetor de médias condicionais, dada a informacio passada, muitas vezes suposto constante e igual a pr, e €; 6 um vetor de inovagdes da série no instante t. Podemos supor, também, que py, siga um modelo VAR (p) multivariado, como no Capitulo 3, ou seja, Me = Bo + 0 Ores ter, (5.2) = podendo-se acrescentar a essa equacaio um vetor de covaridveis (ou varidveis exégenas ou ainda explicativas). Definamos H; como a matriz de covariancias condicionais, de ordem n xn, dada a informagio passada F,_1, ou seja, H, = Cov(t¢|Fi-1) = Cov(e|Fi-)- (53) Entao, um modelo de volatilidade para a série de retornos r; sera dado pela equagao (5.1) mais a equacao 6: = Hai, (5.4) na qual os a; sao identicamente distribuidos, com E(a;) = 0 ¢ Cov(ay) = In HA muitas possibilidades de generalizacdes de modelos de volatilidade para © caso de n séries. Contudo, para n grande teremos uma quantidade grande de parametros a estimar, pois H; tera n(n + 1)/2 parametros desconhecidos. Um dos objetivos é buscar modelos que sejam parcimoniosos. HA quatro abordagens para a construcao de modelos da forma GARCH multivariados (abreviadamente MGARCH) (Bauwens et al., 2006): (i) generalizacao direta de modelos GARCH univariados; nesta categoria esto os modelos VEC e BEKK; (ii) combinagoes lineares de modelos GARCH univariados; nesta classe estio os modelos fatoriais e ortogonais;CapiTuLo 6 Modelos Nao Lineares 6.1 Introdugao Em capitulos anteriores, nos dedicamos aos processos estacionarios de se- gunda, ordem, ou seja, a énfase era na andlise da estrutura de segunda ordem de tais processos, determinada por autocovariancias (ou, de modo equivalente, pela funcao densidade espectral, ou espectro). Em particular, tal estrutura de- termina as propriedades de processos estaciondrios normais, ou gaussianos. Vimos, também, que um proceso estaciondrio de segunda ordem, nao deterministico (ou regular) {X;,t € Z}, pode ser representado na forma (Wold, 1938) X= DV vjary, (6.1) j=0 onde a, 6 rufdo branco (RB), com média zero e varidncia constante, com Dov? < ce, por exemplo. O teorema de Wold nao implica, necessariamente, que (6.1) seja considerado um modelo linear. Suponha que X; seja um proceso estocistico, e h uma fungio tal que A(X, Xray. (6.2) em que a, seja uma sequéncia de varidveis independentes e identicamente dis tribuidas (i.id.). A classe dos modelos lineares restringe h como sendo uma fungao linear, ou seja, oo > hj Xj = a4, (6.3) =~ ou ainda, 149150 CAPITULO 6. MODELOS NAO LINEARES H(B)X, =a, (6.4) = Wy hus". Se H(z) £ 0, para |2| < 1, podemos escrever (6.4) oo X= HO '(B)ar = W(B)a, = S> vyar-j, (6.5) = com W(z) = DE gdje. A diferenca entre (6.1) ¢ (6.5) 6 que, em (6.1), 0s a; sio nao correlacionados ©, em (6.5), 0s a, si independentes. Se X; for gaussiano, entio todo proceso estaciondrio gaussiano pode ser representado pelo modelo linear (6.5). Ou soja, em termos de momentos de segunda ordem, os a; em (6.1) e (6.5) tem propriedades idénticas, mas clas podem diferir em outros aspectos. Podemos pensar (6.1) com um filtro linear, em que a entrada é RB ea saida 6 X;, sendo va fungao resposta de impulso e sua transformada de Fourier, WA) = Oo drew, a funcHo de transferéncia do filtro. Para sistemas nao lineares, nao existe mais essa correspondéncia entre fungao de antocovariaincia e espectro, ou quantidades como funcao resposta de impulso ¢ funcao de transferéncia, que valem para sistemas lineares, como (6.1) Exemplo 6.1. Como exemplo de dados nao lineares, ¢ que nao siio gaussianos citamos 0 conjunto de dados Manchas (veja 0 Exemplo 1.2 do Capitulo 1, Volume 1). Se considerarmos a série reversa Xa = {Xy,Xw—1,---, Xi}, ela niio se parece com a série original Xj, = {Xi,Xo,...,Xy}. Se fosse uma série linear gaussiana, esses dois vetores teriam a mesma distribuigdo. Veja a Figura 6.1. No Capitulo 4, vimos varias séries de retornos financeiros, como a do Ibovespa, por exemplo. Se olharmos sua fac, essa série parece ser ruido branco, mas se olharmos a fac dos quadrados dos retornos, vemos que hé dependéncia presente, portanto a série nfo é gaussiana, como ja observamos naquele capitulo. ‘este capitulo trataremos de alguns modelos nao lineares utilizados na pratica. Na anélise de modelos nfo lincares, a fungio h é néo linear. Em algumas situacées, 0 modelo tem a forma Xp = g(ai-1, ata, -) + agh(ai1, ar-2, (6.6)CaPiTULO 7 Andalise Espectral Multivariada 7.1 Introdugao No Capitulo 14 do Volume 1, tratamos da anélise espectral univariada, isto 6, tinhamos um proceso estacionério X;,t € Z, ¢ definimos o espectro de Mes Neste capitulo vamos considerar 0 caso em que temos um proceso com d componentes reais, X; = (Xi4.---.Xae) Como exemplo, podemos ter temperaturas em varias localidades, tragos de EEG em varios pontos do crénio de um individuo ou séries financeiras de varias companhias. Embora possamos considerar o caso geral mencionado, vamos nos especi- alizar no caso bivariado, ou seja, temos X; = (X1,., X24)’, ou seja d = 2. No Apéndice 8.A, consideraremos, brevemente, 0 caso geral. Denotemos por E(X:) = (E{Xiy},£{X2,})' 0 vetor de médias do pro- cesso, que em geral depende de #, ¢ ser designada por jy. Definigao 7.1. A funcao de covariancia cruzada entre as séries Xz e Xor 6 definida por aaalt +78) = Cov Xi eer Xaeh (7.1) que dependerd de te 7. Essa funcio dependeré somente de 7 se 0 processo for estaciondrio de segunda ordem. 197198 CAPITULO 7. ANALISE ESPECTRAL MULTIVARIADA dria se a média , ndio dependerem Definicao 7.2. Dizemos que a série bivariada X, 6 est Mm, © a fungdo de covaridincia cruzada 712(¢ + 7,2), t,7 € do tempo f. Nessa situagiio, teremos w= E(K) = (1,42), (7.2) malt) = Cov{ Xi tre, X20}, (7.3) 7 €Z. Vamos supor, em seguida, que p= 0. Note que, em geralyi2(r) # v12(-7) e que vi2(r) # rw). De fato, quando 7 > 0, 7127) mede a dependéncia linear de Xy, sobre Xo,, que ocorren antes do instante t+ 7. Entao, se y12(r) # 0,7 > 0, dizemos que Xy é antecedente a Xie, ou que X21 lidera Xz no lag 7. De modo similar, y21(r) mede a dependéncia linear de Xx, sobre Xi, para T > 0. Para © que segue, suponhamos que Yhulwl 0. Nesse caso, dizemos que X; e ¥; sao cointegrados. Todavia, nao 6 geralmente verdade que exista a tal que Zi ~ I(d—5). Definic&io 8.1. As componentes do vetor X; so cointegradas de ordem (d.b), © escrevemos, X; ~ C.L.(d,b), sez (a) todas as componentes de Xr sio I(d); (b) existe um vetor 8 = (31,...,8n)', néio nulo, tal que BX: =AXwt...+PrXm ~ d-b),d>b>0. (8.1) O vetor , de ordem n x 1, é chamado vetor cointegrante (ou vetor de cointegracio). Observagées: (i) O vetor de cointegragiio @ niio 6 tinico, pois se \ # 0, entio 8 6 também um vetor de cointegracdo. Tipicamente, uma das varidveis 6 usada para normalizar 8, fixando-se seu coeficiente igual a um; usualmente toma-se 3 = (1, -/ Bn)’, de modo que BX: = Xi — BeX2e—.--— aX, Por exemplo, se 8X; ~ (0), temos que X= BoXat+...+ BaXne+ ue,DTT n Cea eM Co eat temporais, focamos em modelos lineares e CVE M ECO cee R MMe UC ig os modelos nao lineares, multivariados, de espaco de CELA ee Ue abordados tanto no dominio do tempo (processos cointegrados), como no dominio da frequéncia (CNet y90r]) CC ue Cue a cloy computacionais do Repositério R, que podem ser obtidos PESO RC cause Waa au. TS eee se | wy Nano) acon ara. Raa SLA e Bh nN BlucherClique aqui e: a VEIA NA LOJA UY NEhS ai) aig eRe Ty PEDRO A. MORETTIN CLELIA M. C. TOLOL VOLUME 2 Blucher Ay more Anilise de Séries Temporais — Volume 2 Modelos multivariados e nao lineares Pedro A. Morettin, Clélia M. C. Toloi ISBN: 9786555060041 Paginas: 284 Formato: 17 x 24 cm Ano de Publicacao: 2020 Peso: 0.471 kg