Escolar Documentos
Profissional Documentos
Cultura Documentos
Instruções
Este relatório apresenta na próxima página uma tabela na qual cada linha associa o conteúdo do arquivo
de entrada com um documento encontrado na internet (para "Busca em arquivos da internet") ou do
arquivo de entrada com outro arquivo em seu computador (para "Pesquisa em arquivos locais"). A
quantidade de termos comuns representa um fator utilizado no cálculo de Similaridade dos arquivos sendo
comparados. Quanto maior a quantidade de termos comuns, maior a similaridade entre os arquivos. É
importante destacar que o limite de 3% representa uma estatística de semelhança e não um "índice de
plágio". Por exemplo, documentos que citam de forma direta (transcrição) outros documentos, podem ter
uma similaridade maior do que 3% e ainda assim não podem ser caracterizados como plágio. Há sempre a
necessidade do avaliador fazer uma análise para decidir se as semelhanças encontradas caracterizam ou
não o problema de plágio ou mesmo de erro de formatação ou adequação às normas de referências
bibliográficas. Para cada par de arquivos, apresenta-se uma comparação dos termos semelhantes, os
quais aparecem em vermelho.
Veja também:
Analisando o resultado do CopySpider
Qual o percentual aceitável para ser considerado plágio?
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: http://leg.ufpr.br/~lucambio/STemporais/STemporaisI.html (11709 termos)
Termos comuns: 385
Similaridade: 2,00%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento
http://leg.ufpr.br/~lucambio/STemporais/STemporaisI.html (11709 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://edisciplinas.usp.br/pluginfile.php/176834/mod_resource/content/1/Resumo Wooldridge -
Introdu%C3%A7%C3%A3o %C3%A0s S%C3%A9ries Temporais.pdf (6433 termos)
Termos comuns: 213
Similaridade: 1,50%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento
https://edisciplinas.usp.br/pluginfile.php/176834/mod_resource/content/1/Resumo Wooldridge -
Introdu%C3%A7%C3%A3o %C3%A0s S%C3%A9ries Temporais.pdf (6433 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
as regularidades observadas no período da amostra não são específicas a esse período, mas
podem ser extrapoladas para o futuro. Isso leva à questão da previsão, que é outra aplicação
importante da análise de séries temporais, [2].
1.1 Motivação
Nos últimos anos são publicados com bastante frequência material referente a utilização de
séries temporais económicas e financeiras, uma vez que o mercado financeiro de um país está
de certa forma relacionada com a economia deste país.
Para o efeito, adota-se diversos modelos de previsão como: médias móveis, suavização expo-
nencial, modelos de regressão, modelos de aprendizagem de máquina, entre outros. Apesar
de existir tantos modelos, até ao momento não tem nenhum registo de uma obra ou trabalho
que tenha conseguido bons resultados de forma robusta, em diversos cenários e para diferentes
séries. É considerado ainda um problema aberto em conseguir um modelo eficaz de previsão.
FCUP 3
Séries Temporais Aplicada à Matemática Financeira e a Economia
1.2 Objetivos
Do ponto de vista prático, fazer previsão acarreta consigo muito riscos, como por exemplo na
antiga Babilónia, os meteorologistas faziam previsões com base na distribuição de vermes no
fígado de uma ovelha podre, assim tiveram problemas com o imperador Constantino que emitiu
um decreto proibindo qualquer pessoa para fazer previsão e que a curiosidade de prever o futuro
fosse silenciada para sempre [3].
Uma outra proibição semelhante ocorreu na Inglaterra em 1736, quando se tornou um crime co-
brar valores por previsão [3].
Apesar das dificuldades que a previsão apresenta, ainda assim é necessário em muitas situa-
ções, por exemplo: decidir se construir uma outra usina de geração de energia para os próximos
anos requer previsões da demanda futura; agendar uma equipe de um call center nas próximas
semanas requer previsões de volume de chamada e entre outras [3].
A presente dissertação tem com objetivo fazer previsão de mercados financeiros e económi-
cos com recorrência aos modelos de séries temporais apropriados, procurar fazer uma explo-
ração de diferentes comportamentos que cada uma das série apresenta. Tem-se como ideia
utilizar dados reais dos mercados financeiros, e para dados económicos utilizar os dados das
receitas fiscais arrecadas na Administração Geral tributária (AGT) da província do Moxico, An-
gola.
1.3 Contribuições
Com esta dissertação espera-se que traga novas abordagens e ideias no uso e desenvolvi-
mento de modelos de previsão baseados em séries temporais financeiras e económicas. Como
contribuições:
? Analisar o comportamento das séries temporais económicas das receitas fiscais da AGT e
financeiras da inserir o nome da série;
? Fazer
FCUP 4
Séries Temporais Aplicada à Matemática Financeira e a Economia
1.4 Estrutura da dissertação
Escrever capítulo da Estrutura da dissertação
Capítulo 2.
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
q?k?
i=0
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
dos padrões sazonais.
Muitas séries temporais incluem tendências, ciclos e sazonalidade. Ao escolher um método
de previsão, primeiro precisaremos identificar os padrões de séries temporais nos dados e, em
seguida, escolher um método capaz de capturar os padrões adequadamente.
Os exemplos na Figura 3.1 mostram diferentes combinações desses componentes.
Figura 3.1: Exemplos de séries temporais mostrando diferentes padrões [3].
FCUP 24
Séries Temporais Aplicada à Matemática Financeira e a Economia
Esses três primeiros componentes podem ser combinados de várias maneiras diferentes. Po-
demos pensar numa série temporal (Xt) como a junção de três componentes: um sazonal (St),
um para tendência-cíclica (Tt) e um componente para tudo o que resta (Et). Representando o
modelo de forma aditiva temos:
Xt = St + Tt + Et (3.1)
onde os três componentes são somados para formar a série observada.
Um modelo multiplicativo é escrito como
Xt = St × Tt × Et (3.2)
onde os dados são formados como o produto dos três componentes.
Se a magnitude da variação sazonal não variar com o nível da série temporal, então o modelo
de decomposição aditiva é o mais apropriado. O modelo de decomposição multiplicativa é mais
apropriado quando a variação sazonal parece ser proporcional ao nível da série temporal. Ob-
serve que os valores nos dados da série temporal devem ser diferentes de zero para o modelo
de decomposição multiplicativa.
3.1.2 Suavização exponencial
A suavização exponencial foi proposta pelo Brown, Holt e Winters, nas décadas de 1950 [17]?
[19] e motivou alguns dos métodos de previsão mais bem-sucedidos, sendo que, as previsões
previsões feitas usando este métodos são em médias ponderadas das observações anteriores
com os pesos decaindo exponencialmente à medida que as observações envelhecem. Ou seja,
quanto mais recente a observação maior o peso associado.
Nesta subsecção, vamos abordar apenas o método de suavização exponencial, o método de
tendência linear de Holt e o método sazonal de Holt-Winters.
FCUP 25
Séries Temporais Aplicada à Matemática Financeira e a Economia
? Método de suavização exponencial simples
O método de suavização exponencial simples (SES)1 é o método adequado para prever dados
que não apresentam tendência clara ou sazonalidade. Uma representação alternativa é a forma
de componente. Para suavização exponencial simples, o único componente incluído é o nível, ?t
uma tendência bt e um componente sazonal st.) As representações de forma de componente de
métodos de suavização exponencial compreendem uma equação de previsão e uma equação
de suavização para cada um dos componentes incluídos no método. A forma do componente de
suavização exponencial simples é dada por:
equação de previsão: y?t+h|t = ?t (3.3)
equação de suavização: ?t = ?yt + (1? ?)?t?1 (3.4)
Onde ?t é o nível (ou o valor suavizado) da série no tempo t. Para h = 1 fornece os valores
ajustados, enquanto constar t = T dá as verdadeiras previsões além dos dados de treinamento.
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
necessário que os dados sejam suficientes, ou seja, que as observações fossem significativas
para gerar modelos confiáveis. Antes de se envolver em esforços rigorosos de construção de
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
1 é suficiente para se atingir este objetivo.
2. Determinar e examinar as ACF e PACF estimadas da série temporal original para confirmar
a necessidade de se proceder à estabilização da série.
É preciso se ter em conta algumas regras que são:
? Se a ACF amostral decai lentamente para zero e se a PACF se anula depois do lag1 ,
esse facto indica que a sucessão deve ser diferenciada.
? Uma não estacionarização em média e uma convergência lenta para zero sobre os
lags múltiplos de 12 sugere a aplicação de diferenciação sazonal de grau 1
? De uma forma mais geral, para remover a estacionaridade possivelmente poder-se-á
considerar um grau de diferenciação superior. No entanto, tal como já referido, na
maior parte dos casos tem-se d igual a 1 ou 2 .
? No entanto há que ter em conta que um número excessivo de diferenciações provoca
a perda de dados.
3. Calcular e examinar as ACF e PACF estimadas, depois de se efetuarem as transformações
necessárias de forma a identificar as ordens do modelo (p, q). Para se selecionar corre-
tamente o modelo deve-se ter um conhecimento profundo das ACF e PACF teóricas dos
modelos mais usuais. A identificação é baseada essencialmente na comparação das ACF
e PACF estimadas com as dos modelos teóricos. Na identificação inicial não se deve pres-
FCUP 31
Séries Temporais Aplicada à Matemática Financeira e a Economia
tar particular atenção a pequenos pormenores, mas sim ao comportamento geral, uma vez
que se pode refinar o modelo numa fase posterior de verificação do modelo de diagnóstico.
Os modelos ARMA se apoiam no pressuposto de que a série é estacionária e com características
diferentes em termos da ACF e PACF, como mostra a tabela 3.2
Modelo Padrão típico ACF Padrão típico PACF
AR (p) Decai exponencialmente e/ou sinu-
soidal amortecida
Apresenta cortes após lag p
MA (q) Apresenta cortes após lag q Decai exponencialmente e/ou sinu-
soidal amortecida
ARMA (p, q) Decai exponencial Decai exponencial
Tabela 3.2: Comparação da ACF e PACF do modelo ARMA(p,q)
3.3 Estimação dos parâmetros
No Capítulo 2 abordamos as propriedades dos modelos ARMA(p,q), que são uma ampla
classe de modelos frequentemente usados por pesquisadores para modelar dados estacioná-
rios. Usaremos genericamente o termo modelo ARMA para nos referirmos a um modelo que
pode ser um modelo AR(p), MA(q) ou ARMA(p,q), onde p, q > 0. Ao iniciarmos a discussão
sobre o ajuste dos modelos ARMA aos dados, é importante ter em mente os seguintes pontos:
1. Os modelos são usados para facilitar a compreensão das características subjacentes dos
dados de séries temporais e auxiliar na obtenção de previsões. Quando estivermos a
procurar por um ?modelos que sejam úteis?. Os modelos ARMA são úteis para modelar
dados estacionários [10].
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
Ainda devmos inser
3.3.2 Métodos dos Momentos
O método dos momentos é frequentemente um dos métodos mais fáceis, se não o mais
eficiente, para obter estimativas de parâmetros. O método consiste em igualar os momentos
amostrais aos momentos teóricos correspondentes e resolver as equações resultantes para ob-
ter estimativas de quaisquer parâmetros desconhecidos. O exemplo mais simples do método é
estimar a média de um processo estacionário por uma média amostral. As propriedades desse
estimador foram estudadas extensivamente no Capítulo 3. livro de JONATHAN
FCUP 35
Séries Temporais Aplicada à Matemática Financeira e a Economia
3.4 Verificação do modelo de diagnóstico
Escrever aqui ....
3.5 Critério de seleção do modelo
Escrever aqui ....
FCUP 36
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 4.
Análise de séries temporais financeiras
Breve introdução do capítulo
4.1 Volatilidade das séries temporais financeiras
Desenvolver aqui ....
4.2 Modelação de volatilidade
Escrever aqui...
4.3 Modelo ARCH
Escrever aqui ...
4.4 Modelo GARCH
Escrever aqui ...
37
FCUP 38
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 5.
Análise prévia e exploração das base de
dados
Breve introdução do capítulo
Definição 5.0.1 dhdfjfjfjfjfjfjfjf
39
FCUP 40
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 6.
Modelação e previsão das receitas fiscais da
AGT e da Microsoft
Breve introdução do capítulo
[15] Rob Hyndman, Anne B Koehler, J Keith Ord et al. Forecasting with exponential smoothing:
the state space approach. Springer Science & Business Media, 2008.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://www.maxwell.vrac.puc-rio.br/4244/4244_5.PDF (4283 termos)
Termos comuns: 168
Similaridade: 1,39%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento https://www.maxwell.vrac.puc-
rio.br/4244/4244_5.PDF (4283 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://statplace.com.br/blog/introducao-as-series-temporais (2043 termos)
Termos comuns: 114
Similaridade: 1,16%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento https://statplace.com.br/blog/introducao-
as-series-temporais (2043 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://pt.wikipedia.org/wiki/S%C3%A9rie_temporal (3382 termos)
Termos comuns: 118
Similaridade: 1,05%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento
https://pt.wikipedia.org/wiki/S%C3%A9rie_temporal (3382 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://medium.com/data-sprints/s%C3%A9ries-temporais-defini%C3%A7%C3%B5es-e-
caracter%C3%ADsticas-698d85f4b353 (1753 termos)
Termos comuns: 84
Similaridade: 0,87%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento https://medium.com/data-
sprints/s%C3%A9ries-temporais-defini%C3%A7%C3%B5es-e-caracter%C3%ADsticas-698d85f4b353
(1753 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
as regularidades observadas no período da amostra não são específicas a esse período, mas
podem ser extrapoladas para o futuro. Isso leva à questão da previsão, que é outra aplicação
importante da análise de séries temporais, [2].
1.1 Motivação
Nos últimos anos são publicados com bastante frequência material referente a utilização de
séries temporais económicas e financeiras, uma vez que o mercado financeiro de um país está
de certa forma relacionada com a economia deste país.
Para o efeito, adota-se diversos modelos de previsão como: médias móveis, suavização expo-
nencial, modelos de regressão, modelos de aprendizagem de máquina, entre outros. Apesar
de existir tantos modelos, até ao momento não tem nenhum registo de uma obra ou trabalho
que tenha conseguido bons resultados de forma robusta, em diversos cenários e para diferentes
séries. É considerado ainda um problema aberto em conseguir um modelo eficaz de previsão.
FCUP 3
Séries Temporais Aplicada à Matemática Financeira e a Economia
1.2 Objetivos
Do ponto de vista prático, fazer previsão acarreta consigo muito riscos, como por exemplo na
antiga Babilónia, os meteorologistas faziam previsões com base na distribuição de vermes no
fígado de uma ovelha podre, assim tiveram problemas com o imperador Constantino que emitiu
um decreto proibindo qualquer pessoa para fazer previsão e que a curiosidade de prever o futuro
fosse silenciada para sempre [3].
Uma outra proibição semelhante ocorreu na Inglaterra em 1736, quando se tornou um crime co-
brar valores por previsão [3].
Apesar das dificuldades que a previsão apresenta, ainda assim é necessário em muitas situa-
ções, por exemplo: decidir se construir uma outra usina de geração de energia para os próximos
anos requer previsões da demanda futura; agendar uma equipe de um call center nas próximas
semanas requer previsões de volume de chamada e entre outras [3].
A presente dissertação tem com objetivo fazer previsão de mercados financeiros e económi-
cos com recorrência aos modelos de séries temporais apropriados, procurar fazer uma explo-
ração de diferentes comportamentos que cada uma das série apresenta. Tem-se como ideia
utilizar dados reais dos mercados financeiros, e para dados económicos utilizar os dados das
receitas fiscais arrecadas na Administração Geral tributária (AGT) da província do Moxico, An-
gola.
1.3 Contribuições
Com esta dissertação espera-se que traga novas abordagens e ideias no uso e desenvolvi-
mento de modelos de previsão baseados em séries temporais financeiras e económicas. Como
contribuições:
? Analisar o comportamento das séries temporais económicas das receitas fiscais da AGT e
financeiras da inserir o nome da série;
? Fazer
FCUP 4
Séries Temporais Aplicada à Matemática Financeira e a Economia
1.4 Estrutura da dissertação
Escrever capítulo da Estrutura da dissertação
Capítulo 2.
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
q?k?
i=0
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
dos padrões sazonais.
Muitas séries temporais incluem tendências, ciclos e sazonalidade. Ao escolher um método
de previsão, primeiro precisaremos identificar os padrões de séries temporais nos dados e, em
seguida, escolher um método capaz de capturar os padrões adequadamente.
Os exemplos na Figura 3.1 mostram diferentes combinações desses componentes.
Figura 3.1: Exemplos de séries temporais mostrando diferentes padrões [3].
FCUP 24
Séries Temporais Aplicada à Matemática Financeira e a Economia
Esses três primeiros componentes podem ser combinados de várias maneiras diferentes. Po-
demos pensar numa série temporal (Xt) como a junção de três componentes: um sazonal (St),
um para tendência-cíclica (Tt) e um componente para tudo o que resta (Et). Representando o
modelo de forma aditiva temos:
Xt = St + Tt + Et (3.1)
onde os três componentes são somados para formar a série observada.
Um modelo multiplicativo é escrito como
Xt = St × Tt × Et (3.2)
onde os dados são formados como o produto dos três componentes.
Se a magnitude da variação sazonal não variar com o nível da série temporal, então o modelo
de decomposição aditiva é o mais apropriado. O modelo de decomposição multiplicativa é mais
apropriado quando a variação sazonal parece ser proporcional ao nível da série temporal. Ob-
serve que os valores nos dados da série temporal devem ser diferentes de zero para o modelo
de decomposição multiplicativa.
3.1.2 Suavização exponencial
A suavização exponencial foi proposta pelo Brown, Holt e Winters, nas décadas de 1950 [17]?
[19] e motivou alguns dos métodos de previsão mais bem-sucedidos, sendo que, as previsões
previsões feitas usando este métodos são em médias ponderadas das observações anteriores
com os pesos decaindo exponencialmente à medida que as observações envelhecem. Ou seja,
quanto mais recente a observação maior o peso associado.
Nesta subsecção, vamos abordar apenas o método de suavização exponencial, o método de
tendência linear de Holt e o método sazonal de Holt-Winters.
FCUP 25
Séries Temporais Aplicada à Matemática Financeira e a Economia
? Método de suavização exponencial simples
O método de suavização exponencial simples (SES)1 é o método adequado para prever dados
que não apresentam tendência clara ou sazonalidade. Uma representação alternativa é a forma
de componente. Para suavização exponencial simples, o único componente incluído é o nível, ?t
uma tendência bt e um componente sazonal st.) As representações de forma de componente de
métodos de suavização exponencial compreendem uma equação de previsão e uma equação
de suavização para cada um dos componentes incluídos no método. A forma do componente de
suavização exponencial simples é dada por:
equação de previsão: y?t+h|t = ?t (3.3)
equação de suavização: ?t = ?yt + (1? ?)?t?1 (3.4)
Onde ?t é o nível (ou o valor suavizado) da série no tempo t. Para h = 1 fornece os valores
ajustados, enquanto constar t = T dá as verdadeiras previsões além dos dados de treinamento.
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
necessário que os dados sejam suficientes, ou seja, que as observações fossem significativas
para gerar modelos confiáveis. Antes de se envolver em esforços rigorosos de construção de
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
1 é suficiente para se atingir este objetivo.
2. Determinar e examinar as ACF e PACF estimadas da série temporal original para confirmar
a necessidade de se proceder à estabilização da série.
É preciso se ter em conta algumas regras que são:
? Se a ACF amostral decai lentamente para zero e se a PACF se anula depois do lag1 ,
esse facto indica que a sucessão deve ser diferenciada.
? Uma não estacionarização em média e uma convergência lenta para zero sobre os
lags múltiplos de 12 sugere a aplicação de diferenciação sazonal de grau 1
? De uma forma mais geral, para remover a estacionaridade possivelmente poder-se-á
considerar um grau de diferenciação superior. No entanto, tal como já referido, na
maior parte dos casos tem-se d igual a 1 ou 2 .
? No entanto há que ter em conta que um número excessivo de diferenciações provoca
a perda de dados.
3. Calcular e examinar as ACF e PACF estimadas, depois de se efetuarem as transformações
necessárias de forma a identificar as ordens do modelo (p, q). Para se selecionar corre-
tamente o modelo deve-se ter um conhecimento profundo das ACF e PACF teóricas dos
modelos mais usuais. A identificação é baseada essencialmente na comparação das ACF
e PACF estimadas com as dos modelos teóricos. Na identificação inicial não se deve pres-
FCUP 31
Séries Temporais Aplicada à Matemática Financeira e a Economia
tar particular atenção a pequenos pormenores, mas sim ao comportamento geral, uma vez
que se pode refinar o modelo numa fase posterior de verificação do modelo de diagnóstico.
Os modelos ARMA se apoiam no pressuposto de que a série é estacionária e com características
diferentes em termos da ACF e PACF, como mostra a tabela 3.2
Modelo Padrão típico ACF Padrão típico PACF
AR (p) Decai exponencialmente e/ou sinu-
soidal amortecida
Apresenta cortes após lag p
MA (q) Apresenta cortes após lag q Decai exponencialmente e/ou sinu-
soidal amortecida
ARMA (p, q) Decai exponencial Decai exponencial
Tabela 3.2: Comparação da ACF e PACF do modelo ARMA(p,q)
3.3 Estimação dos parâmetros
No Capítulo 2 abordamos as propriedades dos modelos ARMA(p,q), que são uma ampla
classe de modelos frequentemente usados por pesquisadores para modelar dados estacioná-
rios. Usaremos genericamente o termo modelo ARMA para nos referirmos a um modelo que
pode ser um modelo AR(p), MA(q) ou ARMA(p,q), onde p, q > 0. Ao iniciarmos a discussão
sobre o ajuste dos modelos ARMA aos dados, é importante ter em mente os seguintes pontos:
1. Os modelos são usados para facilitar a compreensão das características subjacentes dos
dados de séries temporais e auxiliar na obtenção de previsões. Quando estivermos a
procurar por um ?modelos que sejam úteis?. Os modelos ARMA são úteis para modelar
dados estacionários [10].
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
Ainda devmos inser
3.3.2 Métodos dos Momentos
O método dos momentos é frequentemente um dos métodos mais fáceis, se não o mais
eficiente, para obter estimativas de parâmetros. O método consiste em igualar os momentos
amostrais aos momentos teóricos correspondentes e resolver as equações resultantes para ob-
ter estimativas de quaisquer parâmetros desconhecidos. O exemplo mais simples do método é
estimar a média de um processo estacionário por uma média amostral. As propriedades desse
estimador foram estudadas extensivamente no Capítulo 3. livro de JONATHAN
FCUP 35
Séries Temporais Aplicada à Matemática Financeira e a Economia
3.4 Verificação do modelo de diagnóstico
Escrever aqui ....
3.5 Critério de seleção do modelo
Escrever aqui ....
FCUP 36
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 4.
Análise de séries temporais financeiras
Breve introdução do capítulo
4.1 Volatilidade das séries temporais financeiras
Desenvolver aqui ....
4.2 Modelação de volatilidade
Escrever aqui...
4.3 Modelo ARCH
Escrever aqui ...
4.4 Modelo GARCH
Escrever aqui ...
37
FCUP 38
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 5.
Análise prévia e exploração das base de
dados
Breve introdução do capítulo
Definição 5.0.1 dhdfjfjfjfjfjfjfjf
39
FCUP 40
Séries Temporais Aplicada à Matemática Financeira e a Economia
Capítulo 6.
Modelação e previsão das receitas fiscais da
AGT e da Microsoft
Breve introdução do capítulo
[15] Rob Hyndman, Anne B Koehler, J Keith Ord et al. Forecasting with exponential smoothing:
the state space approach. Springer Science & Business Media, 2008.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://statplace.com.br/blog/caracteristicas-das-series-temporais (1105 termos)
Termos comuns: 49
Similaridade: 0,54%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento
https://statplace.com.br/blog/caracteristicas-das-series-temporais (1105 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://ejfgv.com/series-temporais (1262 termos)
Termos comuns: 36
Similaridade: 0,39%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento https://ejfgv.com/series-temporais (1262
termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://sigarra.up.pt/fcup/pt/ucurr_geral.ficha_uc_view?pv_ocorrencia_id=176511 (559 termos)
Termos comuns: 28
Similaridade: 0,33%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento
https://sigarra.up.pt/fcup/pt/ucurr_geral.ficha_uc_view?pv_ocorrencia_id=176511 (559 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51
=================================================================================
Arquivo 1: Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Arquivo 2: https://www.liveabout.com/ka-chow-memorable-quotes-from-cars-2422282 (915 termos)
Termos comuns: 0
Similaridade: 0,00%
O texto abaixo é o conteúdo do documento
Time_Series_Applied_to_Financial_Mathematics_and_Economics.pdf (7893 termos)
Os termos em vermelho foram encontrados no documento https://www.liveabout.com/ka-chow-
memorable-quotes-from-cars-2422282 (915 termos)
=================================================================================
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Dissertação de Mestrado apresentada à
Faculdade de Ciências da Universidade do Porto em
Engenharia Matemática
2020
S
é
rie
s
T
e
m
p
o
ra
is
A
p
lic
a
d
a
à
M
a
te
m
á
tic
a
F
in
a
n
c
e
ira
e
E
c
o
n
o
m
ia
T
e
o
d
o
ro
M
a
c
a
ia
L
e
lo
B
rá
s
M
S
c
FCUP
2020
2.º
CICLO
Séries Temporais
Aplicada à Matemática
Financeira e a Economia
Teodoro Macaia Lelo Brás
Mestrado em Engenharia Matemática
Departamento de Matemática
2020
Orientador
Alberto Adrego Pinto, Professor Catedrático, Faculdade de
Ciências da Universidade do Porto
Todas as correções determinadas
pelo júri, e só essas, foram efetuadas.
O Presidente do Júri,
Porto, ______/______/_________
Agradecimentos
Escrever capítulo dos agradecimentos
i
FCUP ii
Séries Temporais Aplicada à Matemática Financeira e a Economia
Resumo
Escrever capítulo do Resumo
Palavras-chave:
iii
FCUP iv
Séries Temporais Aplicada à Matemática Financeira e a Economia
Abstract
Escrever capítulo do Abstract
Keywords:
v
FCUP vi
Séries Temporais Aplicada à Matemática Financeira e a Economia
Conteúdo
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Conceitos Básicos de Modelos de Séries Temporais 5
2.1 Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Descrição de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Modelos Lineares Estacionários . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.1 Ruído Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1.2 Modelos Autorregressivos . . . . . . . . . . . . . . . . . . . . . . 13
Neste capítulo pretendemos apresentar algumas noções e conceitos básicos sobre análise
de séries temporais e processos estocásticos, a sua descrição, assim como, os principais mo-
delos de séries temporais como é o caso dos modelos lineares.
2.1 Séries Temporais
O conjunto de observações realizadas de forma sequencial ao longo do tempo chama-se
Série Temporal. Dos conjuntos de dados que podemos citar e que parecem como série temporal
são: uma sequência mensal da quantidade de mercadorias enviadas de uma fábrica, uma série
semanal do número de acidentes rodoviários, quantidades diárias de chuva, observações horá-
rias feitas sobre o rendimento de um processo químico [4]. A análise de série temporal tem como
objetivo principal o desenvolvimento de modelos matemáticos que possam fornecer descrições
acertadas das características dos dados para a previsão, simulação e controlo [4]. Análise este
que é utilizado em diversas áreas como:estudos climáticos, monitorização da saúde, análise
de dados financeiros, [5]. Os métodos e a teoria associada para análise univariada de séries
temporais estão bem desenvolvidos e compreendidos e existe um conjunto de modelos para
descrever o comportamento de determinadas séries, desde os modelos lineares Autorregres-
sivo Integrado de Média Móvel (ARIMA) para séries temporais estacionárias até modelos do
tipo GARCH não lineares para modelação da volatilidade condicional e amplamente aplicados
em dados financeiro [6]. Podemos dizer que a análise de séries temporais tem três objetivos
5
FCUP 6
Séries Temporais Aplicada à Matemática Financeira e a Economia
principais, nomeadamente descrição, explicação e previsão. A descrição é uma tarefa muito
importante e é o primeiro passo na análise de um tempo consiste em traçar os dados e obter
medidas descritivas simples (por exemplo, procurar por tendências, variações sazonais, mudan-
ças estruturais e cálculo da média, variância e autocorrelação) para descrever as características
importantes dos padrões das séries cronológicas [5] [7].
O conjunto de dados cujas observações são ordenadas no tempo é a série temporal. Uma das
diferenças com os dados da série temporal e que é importante, é que as observações referem-se
a uma quantidade de medida única em vários pontos no tempo. Portanto, as observações que
estão próximas no tempo são provavelmente correlacionadas e não independentes [8].
Uma série temporal pode ser definida como uma sequência de observações, retiradas num es-
paço de tempo específico. As séries temporais podem discretas como contínuas, dependendo
do domínio definido pelo conjunto dos valores observados. Para se identificar um modelo ade-
quado para uma série temporal, é necessário que a mesma seja estacionária. A estacionaridade
é uma característica para uma série temporal em que as suas estatísticas até segunda ordem,
das quais destacamos a média, não variam ao longo do tempo [9]
Definição 2.1.1 Uma série temporal é um conjunto de observações Xt, cada uma sendo regis-
tada num tempo específico t. Uma série temporal discreta é aquela em que o conjunto T0 ? N
dos momentos em que as observações são feitas a intervalos de tempo fixos. As séries tem-
porais em tempo contínuo são obtidas quando as observações são registadas continuamente
durante algum intervalo de tempo, por exemplo, quando T0 ? [0,+?).
Quando uma série temporal não apresentar evidencias na estacionaridade, é necessário fazer
algumas transformações que nos permite tornar a série estacionária. Dos métodos existentes
na literatura, o mais utilizado é a transformação da variável em causa na escala logarítmica, que
corresponde a uma das transformações propostas por Box-Cox [10]. Outra forma é recorrer ao
processo de diferenciação que permite modelar incrementos, já estacionários, da série temporal
original. A diferenciação de uma série temporal é denotado por:
?Xt = Xt ?Xt?1 = (1?B)Xt (2.1)
onde Xt indica a observação da série temporal original no instante t, e o número de observações
FCUP 7
Séries Temporais Aplicada à Matemática Financeira e a Economia
decrescem em uma unidade.
2.2 Processos Estocásticos
Observa-se uma série temporal {y1, . . . , yn}, decorrente de uma variável aleatória Y . A série
temporal observada é uma possível realização do processo estocástico gerador dos dados [11].
A partir desse conjunto de observações, o objetivo é analisar e conhecer o comportamento dos
fenómenos que estão ligados à séries temporais observadas e principalmente prever ocorrên-
cias futuras. A palavra estocástico é um sinónimo de aleatório, é um dos métodos mais úteis
para obter a parcimónia num modelo de série temporais é assumir alguma forma de invariância
distributiva ao longo do tempo, ou estacionária.
Vamos considerar um exemplo que está relacionada, a temperatura X de uma certa cidade
a um dado período dia. A temperatura X é uma variável aleatória (v.a) e toma valores diferentes
a cada dia. A obtenção completa das estatísticas de X, o armazenamento dos valores da
temperatura é preciso armazenar durante vários dias (um grande número de tentativas). A partir
destes dados podemos determinar fX(x), a função densidade de probabilidade (fdp) da v.a X.
Mas a temperatura é também função do tempo. À uma da tarde, por exemplo, a temperatura
pode ter uma distribuição totalmente diferente daquela obtida para o meio dia. Então a v.a X é
uma função do tempo, e pode ser expressa como X(t).
De acordo com as leis das probabilidades, um processo estocástico é um fenómeno estatís-
tico que evolui ao longo do tempo. A expansão do conceito de v.a é a sua meta.
Seja (?,A, P ) um espaço de probabilidade e (E, ?) um espaço de mensurável e T um con-
junto arbitrário não vazio.
Definição 2.2.1 Um processo estocástico é um conjunto de variáveis aleatórias {Xt : t ? T} de
aplicação A? ? mensuráveis com espaço de estado E e o conjunto de índices ou parâmetro T ;
ou é uma família de variáveis aleatórias indexadas ao tempo {t ? T} e definido em algum espaço
de probabilidade dado. Assim, T denota um conjunto de índices ordenados que é tipicamente
identificado com o tempo [1].
Normalmente podemos definir um processo estocástico {Xt : t = 0,±1,±2,±3, ...} como
FCUP 8
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.1: Exemplo de um processo estocástico que representa a temperatura de uma
cidade.
uma sequência de variáveis aleatórias e serve de modelo para uma série temporal observada.
Sabe-se que a estrutura probabilística completa de tal processo é determinada pelo conjunto
de distribuições de todas as coleções finitas dos X. Outra forma de caracterizar um processo
estocástico é a partir das funções determinísticas a ele associadas que são particularmente
importantes para a descrição e caracterização do comportamento do processo, que são os mo-
mentos do processo, em especial o primeiro e o segundo momentos, que designamos por média,
variância e covariância, respetivamente [12]. Deste modo, a função média é definida como
µt = E(Xt), para t = 0,±1,±2,±3, . . . (2.2)
Ou seja, µt é apenas o valor esperado do processo no instante t. Em geral, µt pode ser diferente
em cada ponto de tempo t.
FCUP 9
Séries Temporais Aplicada à Matemática Financeira e a Economia
A função de autocovariância ?s,t é definida como
?x(s, t) = Cov(Xs, Xt) = E [(Xs ? µs)(Xt ? µt)] para s, t = 0,±1,±2,±3, . . . (2.3)
onde E [(Xs ? µs)(Xt ? µt)] = E(Xs, Xt)? µsµt
Vale notar que ?x(s, t) = ?x(t, s) para todos os pontos de tempo s e t. A autocovariância
mede a dependência linear entre dois pontos da mesma série observada em momentos diferen-
tes. É evidente que, para s = t, a autocovariância reduz-se à variância (suposta finita), porque
?x(t, t) = E
[
(Xt ? µt)2
]
= var(Xt) (2.4)
A Função de Autocorrelação (ACF) ?s,t é definido como
?(s, t) = Corr (Xs, Xt) =
Cov (Xs, Xt)?
V ar (Xs)Var (Xt)
=
?(s, t)?
?(t, t)?(s, s)
(2.5)
2.3 Estacionaridade
Uma classe muito especial de processos estocásticos, chamados processos estacionários,
baseia-se no pressuposto de que o processo se encontra num determinado estado de equilíbrio
estatístico. Assim, na análise de série temporais um dos elementos importante que se deve
ter em conta é a estacionaridade,sendo que a maioria dos métodos e modelos exigem que
as séries sejam estacionárias, ou seja, manter constante o comportamento do processo ao
longo do tempo [2]. Tecnicamente, existem duas formas de estacionaridade que são: Processo
estritamente estacionário (ou forte) e fracamente estacionário (ou ampla ou de segunda ordem).
Definição 2.3.1 Diz-se que um processo estocástico {Xt} é estritamente estacionário se as
suas propriedades não forem afetadas por uma mudança de origem temporal, ou seja, se
a distribuição conjunta de probabilidades associada às n observações, Xt1 , Xt2 , . . . , Xtn feito
em qualquer conjunto de vezes t1, t2, . . . , tn, é o mesmo que o associado a n observações
FCUP 10
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt1+k, Xt2+k, . . . , Xtn+k, feito em qualquer conjunto de vezes t1 + k, t2 + k, . . . , tn + k. [4]
Assim, para que um processo discreto seja estritamente estacionário, a distribuição conjunta de
qualquer conjunto de observações não deve ser afetada pela deslocação de todos os momentos
de observação para a frente ou para trás por qualquer montante inteiro k.
É difícil avaliar a estrita estacionaridade a partir dos dados, contudo, os dados de séries tempo-
0, para s ?= t, isto é, Xt ? N(0, ?2) a série chama-se ruído branco gaussiano [2]. Para uma série
de ruído branco, todas as funções de autocorrelação são zero. Na prática, se todas as funções
de autocorrelação de amostra estiverem próximas de zero, então a série é uma série de ruído
branco. No caso de um processo discreto, o processo é chamado de puramente aleatório se
FCUP 12
Séries Temporais Aplicada à Matemática Financeira e a Economia
Figura 2.2: Simulação de um ruído branco gaussiano e o seu correlograma.
este consiste de uma sequência de variáveis aleatórias {Xt} independentes e identicamente
distribuídas, com as seguintes propriedades:
1. E (Xt) = E (Xt | Xt?1, Xt?2, · · · ) = µ
2. Var (Xt) = Var (Xt | Xt?1, Xt?2, · · · ) = ?2X
3. ?(k) = Cov (Xt, Xt+k) = 0, k = ±1,±2, · · ·
Como a média e a função de autocovariância não dependem do tempo, o processo é estaci-
onário em segunda ordem. Assim, a função de autocorrelação é, portanto, definida por
?(k) =
????? 1 , k = 00 , k = ±1,±2, · · ·
Para os processos estocásticos autoregressivos, que se caracterizam no vasto número de
coeficientes de autocorrelação distintos de zero e decrescendo com o retardo, são processos
com memória relativamente longa, já que o valor atual da série é correlacionado com todos
os valores anteriores. Todavia, esses processos podem representar séries de memória muito
curta, onde o valor atual da série somente está correlacionado com um número pequeno de
valores anteriores, de maneira que a função de autocorrelação simples tenha apenas poucas
autocorrelações distintas de zero. A família de processos que tem esta propriedade de memória
muito curta são os processos de Média Móvel, designados por simplicidade MA de em inglês
Moving Average [13].
A seguir, discutiremos alguns modelos de séries temporais simples que são úteis na modelação
FCUP 13
Séries Temporais Aplicada à Matemática Financeira e a Economia
da estrutura dinâmica de uma série temporal. Os conceitos apresentados serão também úteis
mais tarde na modelação da volatilidade dos retornos de ativos.
Definição 2.5.1 Um processo linear, {Xt}, é aquele que pode ser escrito como uma combinação
linear de variações ruído branco {Wt} e é dado por
Xt = µ+
??
j=??
?jWt?j (2.6)
para todo t, onde Wt é ruído branco e ? é uma sequência constante com
??
j=??
|?| <?
Para o processo linear (2.6), podemos mostrar que a função de autocovariância é dada por
?x(h) = ?
2
x
??
j=??
?j+h?j (2.7)
para h ? 0, e nota-se que ?x(?h) = ?x(h).
2.5.1.2 Modelos Autorregressivos
Uma das principais base ou ideais dos modelos autoregressivos é que o valor atual da série,
Xt, pode ser explicado como uma função dos valores p passados, Xt?1, Xt?2, . . . Xt?p, onde se
determina o número de passos para o passado necessários para prever o valor atual. São mo-
delos que resultam na dependência linear entre as variáveis do processo, podendo ser idêntica
a uma equação de regressão. Podem ser usados como modelos, sendo razoável, assumir que
o valor atual da série temporal depende do seu passado mais um erro aleatório [5].
Definição 2.5.2 Podemos afirmar que um modelo Xt é autoregressivo de ordem p, abreviado
AR(p), é da forma [5]:
FCUP 14
Séries Temporais Aplicada à Matemática Financeira e a Economia
Xt = ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt ? Xt =
p?
i=1
?iXt?i + wt, (2.8)
onde Xt é estacionário, wt é um processo de ruído branco e ?1, ?2, . . . , ?p(?p ?= 0) são chama-
dos de parâmetros de regressão. A média de Xt em (2.8) é zero. Se a média Xt não for zero,
substitui-se Xt por Xt ? µ em (2.8),
Xt ? µ = ?1(Xt?1 ? µ) + ?2(Xt?2 ? µ) + · · ·+ ?p(Xt?p ? µ) + wt,
ou escrita como
Xt = ? + ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + wt, (2.9)
onde ? = µ(1? ?1 ? · · · ? ?p).
Utilizando o operador de regressão B para escrever o modelo AR(p), em (2.8), teremos:
(1? ?1B ? ?2B2 ? · · · ? ?pBp) = wt, (2.10)
ou mais conciso como
?p(B)Xt = wt (2.11)
onde ?(B) = 1 ? ?1B ? ?2B2 ? · · · ? ?pBp, chamado polinómio autorregressivo. Podemos
observar na figura (2.3) o processo autorregressivo de ordem p = 1.
Em (2.11), ?(B), é chamado de polinómio característico do processo uma vez que as suas
FCUP 15
Séries Temporais Aplicada à Matemática Financeira e a Economia
raízes é que definem quando é que o processo é estacionário ou não; ou ainda, todas as suas
raízes devem exceder a unidade em valor absoluto para que o processo seja estacionário.
Figura 2.3: Simulação de um modelo AR(1) : ? = .8 (superior); ? = ?.8 (inferior).
Exemplo 2.5.1 ? O processo AR(1) dado por xt = 0.5Xt?1 + wt é estacionário, porque a
raiz de 1? 0.5B = 0 é B = 2, logo B > 1;
? O processo AR(2) dado por xt = 0.5xt?1 + 0.5xt?2 + wt não é estacionário, porque, uma
das raízes é unidade.
Resolução: ?0.5(B2 +B ? 2)xt = wt ? ?0.5(B ? 1)(B + 2)xt = wt, o polinómio
?(B) = ?0.5(B ? 1)(B + 2) tem as seguintes raízes: B = 1 e B = 2. Como há uma raiz
?i?i+k
q?
i=0
?2i
, k = 1, . . . , q
0 , k > 0
(2.16)
onde ?0 é 1.
Quando o K > q a função é zero, porque Xt e Xt+k consistem na soma dos termos de ruído
branco e variância zero.
2.5.1.4 Modelos Autorregressivos de Média Móvel
O modelo ARMA(p, q) baseia-se no pressuposto de que a séria temporal é um processo
estocástico estacionário, isto é, na junção dos modelos AR(p) e MA(q). OS modelos AR(p) e
MA(q) surgem como casos particulares da representação geral do modelo ARMA(p, q).
Definição 2.5.4 Uma série temporal {Xt; t = ±0,±1,±2, . . . } é um processo ARMA(p, q) se
este é estacionário, [5],
Xt ? ?1Xt?1 ? . . .? ?pXt?p = wt + ?1wt?1 + . . .+ ?qwt?q (2.17)
com ?p, ?q ?= 0 e ?2w > 0. Os parâmetros p e q são chamados ordens autorregressivos e média
móvel respetivamente. Se Xt tem média não zero µ, definimos ? = µ(1 ? ?1 ? · · · ? ?p) e
escrevemos o modelo como
Xt = ? + ?1Xt?1 + · · ·+ ?pXt?p + wt + ?1wt?1 + · · ·+ ?qwt?q (2.18)
onde wt ? N(0, ?2w), não têm fatores comuns. Em particular o modelo ARMA(p, q) dado em
FCUP 18
Séries Temporais Aplicada à Matemática Financeira e a Economia
(2.17) pode ser escrito de forma concisa como
?p(B)Xt = ?q(B)Wt
Deste modo,
1. Um modelo ARMA(p, q) é estacionário quando todas as raízes de ? excedem a unidade
em valor absoluto;
2. É invertível quando as raízes de ? todas excedem a unidade em valor absoluto.
Os modelos AR e MA são casos particulares do processo ARMA, o seja, como anteri-
ormente referido, quando q = 0, o modelo é chamado modelo autorregressivo de ordem p,
AR(p), e quando p = 0, o modelo é chamado modelo média móvel de ordem q, MA(q).
Figura 2.4: Simulação de um modelo MA(1) : ? = .5 (superior); ? = ?.5 (inferior).
2.5.1.5 Modelos Autorregressivos Integrados de Médias Móveis
Já acima abordou-se a importância da classe dos modelos ARMA para a representação
de séries temporais estacionárias. Uma generalização desta classe, que incorpora uma vasta
gama de séries não estacionárias, é fornecida pelos modelos ARIMA, ou seja, processos que
se reduzem a processos ARMA quando diferem finitamente muitas vezes. Se a série não for
estacionária na média, pode-se tentar remover a tendência fazendo um número de diferenças
necessárias para tornar a série estacionária, e a variação pode crescer ou decrescer com nível
FCUP 19
Séries Temporais Aplicada à Matemática Financeira e a Economia
da série, logo para este caso, é lógico afirmar que a série não é estável na variância. Outro caso,
método clássica, o método ?SEATS? que significa ?Extração Sazonal na série temporal ARIMA?
desenvolvido e o método ?STL? que significa ?Decomposição Sazonal e de Tendência usando
21
FCUP 22
Séries Temporais Aplicada à Matemática Financeira e a Economia
Loess?, desenvolvido por RB Cleveland, Cleveland, McRae, & Terpenning ( 1990 ) [14]. Muitas
vezes isso é feito para ajudar a melhorar a compreensão da série temporal, mas também pode
ser usado para melhorar a precisão da previsão. [3], [15]
Ao decompor uma série temporal, as vezes é útil primeiro transformar ou ajustar a série, a fim
de tornar a decomposição (e análise posterior) o mais simples possível.
3.1.1 Padrões de séries temporais
Os dados da série temporais podem exibir uma variedade de padrões, e muitas vezes é útil
dividir uma série temporal em vários componentes, cada um representando uma categoria de
padrão subjacente. Existem normalmente três tipos de padrões de séries temporais, que são:
tendência, sazonalidade e ciclos. Quando se decompõem uma série temporal em componentes,
geralmente combinamos a tendência e o ciclo em uma única componente do ciclo de tendências
(muitas vezes apenas chamado de tendência para a simplicidade). Assim, podemos pensar em
uma série temporal composta por três componentes: um componente de ciclo de tendência, um
componente sazonal e um componente restante (contendo qualquer outra coisa na série tem-
poral). Para algumas séries temporais (por exemplo, aquelas que são observadas pelo menos
diariamente), pode haver mais de um componente sazonal, correspondente aos diferentes pe-
ríodos sazonais [3].
Daí que em [3], [16] descreve que essas séries temporais, usamos palavras como ?tendência?,
?sazonal? e elemento ?irregular? ou de ?erro? que precisam ser definidas com mais cuidado.
? Tendência: uma tendência existe quando há um aumento ou diminuição de longo prazo
nos dados. Não precisa ser linear. As vezes, nos referimos a uma tendência como ?mu-
dança de direção?, quando ela pode passar de uma tendência crescente para uma tendên-
cia decrescente.
? Sazonal: um padrão sazonal ocorre quando uma série temporal é afetada por fatores
sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um
período fixo e conhecido.
? Cíclico: um ciclo ocorre quando os dados exibem subidas e descidas que não são de
FCUP 23
Séries Temporais Aplicada à Matemática Financeira e a Economia
frequência fixa. Essas flutuações geralmente são devidas a condições económicas e mui-
tas vezes estão relacionadas ao ?ciclo de negócios?. A duração dessas flutuações é geral-
mente de pelo menos 2 anos.
? Elemento irregular ou erro: um elemento irregular ou erro pode ser entendido como
componente imprevisível da série ou elemento não explicado na série.
Normalmente as pessoas confundem comportamento cíclico com comportamento sazonal,
mas na verdade são bem diferentes. Se as flutuações não são de frequência fixa, então elas
são cíclicas; se a frequência é imutável e associada a algum aspeto do calendário, então o
padrão é sazonal. Em geral, a duração média dos ciclos é maior do que a duração de um
padrão sazonal, e as magnitude dos ciclos tendem a ser mais variáveis do que as magnitude
A equação (3.3) mostra que o valor da previsão no tempo t + 1 é o nível estimado no momento
t. A equação ( 3.4) para o nível (geralmente chamada de equação de nível) fornece o nível
estimado da série em cada período t.
? Método de tendência linear de Holt
Em 1957 Holt criou uma extensão do método de suavização exponencial simples que permitisse
a previsão de dados com uma tendência, que envolve as seguintes equações:
equação de previsão y?t+h|t = ?t + hbt (3.5)
1Sigla inglesa que significa ?simple exponential smoothing?
FCUP 26
Séries Temporais Aplicada à Matemática Financeira e a Economia
equação de nível ?t = ?yt + (1? ?) (?t?1 + bt?1) (3.6)
equação de tendência bt = ? (?t ? ?t?1) + (1? ?) bt?1, (3.7)
onde ?t, bt, ? correspondem ao parâmetro de suavização para o nível da série no período t,
0 ? ?, ? ? 1.
Recomenda-se que ?0 e b0 sejam inicializado como y1 e y2 ? y1, respetivamente.
As previsões geradas pelo método linear de Holt, apresentam uma tendência constante (au-
mentando ou diminuindo) indefinidamente no futuro, tanto que, há algumas evidências empíricas
a indicar que esse método tendem a dar uma estimativa superior especialmente para horizontes
de previsão mais longos. Daí que Gardner & McKenzie (1985) introduziram um parâmetro que
?amortece? a tendência para uma linha plana em algum momento no futuro. Esses métodos pro-
varam ser muito bem-sucedidos e são indiscutivelmente os métodos individuais mais populares
quando as previsões são necessárias automaticamente para muitas séries [20].
A equação (3.8) mostra a inserção do parâmetro de amortecimento (0 < ? < 1), que chama-
mos de método de tendência amortecida, sendo uma extensão do método linear de Holt.
y?t+h|t = ?t +
(
?+ ?2 + · · ·+ ?h) bt
?t = ?yt + (1? ?) (?t?1 + ?bt?1)
bt = ? (?t ? ?t?1) + (1? ?)?bt?1.
(3.8)
? Método sazonal Holt-Winters
Holt e Winters [18], [19], estenderam o método linear de Holt para poder capturar a sazonali-
FCUP 27
Séries Temporais Aplicada à Matemática Financeira e a Economia
dade. O método sazonal de Holt-Winters compreende a equação de previsão e três equações
de suavização, uma para o nível, uma para a tendência, e uma para o componente sazonal, com
parâmetros de suavização. Este método apresenta duas variações que diferem da componente
sazonal, que são o método aditivo quando as variações sazonais são constantes ao longo da
série, e multiplicativo quando as variações sazonais alteram de forma proporcional ao nível da
série.
? método aditivo de Holt-Winters
A fórmula matemática para componente do método aditivo é:
y?t+h|t = ?t + hbt + st+h?m(k+1)
?t = ? (yt ? st?m) + (1? ?) (?t?1 + bt?1)
modelos estatísticos, também recomenda-se fortemente o uso de gráficos ?criativos? dos dados,
como o gráfico de série temporal simples e os gráficos da função de autocorrelação (ACF) e da
Função de Autocorrelação Parcial (PACF) dos dados da série temporal [23].
Por outro, a identificação do modelo consiste na utilização de metodologias por forma a trans-
formar a série, de modo a estabilizar a variância, neutralizar a tendência, a eliminar movimentos
de caráter estritamente periódico e proceder também à escolha adequada de valores para as
ordens do modelo. As diversas técnicas utilizadas nesta fase não têm grande precisão e muitas
FCUP 29
Séries Temporais Aplicada à Matemática Financeira e a Economia
delas dependem de métodos gráficos, nesta fase é muito importância a experiência do ana-
lista para fazer uma correta identificação do modelo. Vale notar que, em alguma séries não é
necessária a aplicação de qualquer transformação [24], [25].
3.2.1 Objetivo da identificação do modelo
Em primeiro lugar, deve-se dizer que a identificação e a estimativa necessariamente se so-
brepõem. Assim, podemos estimar os parâmetros de um modelo, que é mais elaborado do que
aquele que esperamos usar, para decidir em que ponto a simplificação é possível. Aqui em-
pregamos o procedimento de estimação para realizar parte da identificação. Também deve ser
explicado que a identificação é necessariamente inexata. É inexato porque a questão de quais ti-
pos de modelos ocorrem na prática e em quais casos específicos depende do comportamento do
mundo físico e, portanto, não pode ser decidida por argumentos puramente matemáticos. Além
disso, como na fase de identificação não está disponível uma formulação precisa do problema,
métodos estatisticamente ?ineficientes? devem necessariamente ser usados. É um estágio em
que os métodos gráficos são particularmente úteis e o julgamento deve ser exercido. No entanto,
deve-se ter em mente que a identificação preliminar não nos compromete com nada, exceto a
consideração provisória de uma classe de modelos que serão posteriormente ajustados e verifi-
cados de forma eficiente [10], [16].
3.2.2 Etapas para identificar um modelo
3.2.2.1 Identificação baseada na função de autocorrelação e autocorrelação parcial
1. Consiste em representar o gráficas dos dados, fazendo uma análise cuidada dos mesmos,
de modo a ter de uma ideia do comportamento geral da série temporal, isto é, se apresenta
tendência, sazonalidade variância não constante, outliers, ciclos, etc.
Em suma, as transformações mais utilizadas nesta fase são:
? a transformação de Box-Cox que permite estabilizar a variância;
FCUP 30
Séries Temporais Aplicada à Matemática Financeira e a Economia
? o operador diferenciação simples de potência d,
?d = (1?B)d,
que neutraliza a tendência. Normalmente, d ? 2 é suficiente para se alcançar esse
objetivo;
? o operador diferença sazonal de potência D,
?ds =
(
1?BS)D ,
que permite eliminar movimentos estritamente periódicos da sucessão. Em geral D =
componente sazonal no modelo, presumimos implicitamente que os dados não são esta-
cionários. No entanto, como discutido anteriormente, um modelo final (possivelmente não
estacionário) geralmente incluirá um componente estacionário que será modelado usando
um modelo ARMA [26].
FCUP 32
Séries Temporais Aplicada à Matemática Financeira e a Economia
No decorrer desta secção, vamos considerar algumas abordagens comuns para estimar parâme-
tros na construção de um modelo ARMA(p, q), dada uma amostra de série temporal x1, x2, . . . , xn
estacionário, ou seja, Gaussiano e invertível no qual, inicialmente, os parâmetros da ordem do
modelo são conhecidos, onde o nosso objetivo é estimar ?1, . . . , ?p, ?1, . . . , ?q e ?2w [5], [21].
Existem muitos métodos de estimação dos parâmetros, e isso geralmente é executado auto-
maticamente por pacotes de software sofisticados, como Minitab JMP, SAS, R, Paython, entre
outros. Em alguns pacotes de software, o usuário pode ter a opção de selecionar o método de
estimação apropriado com base nas especificações do problema.
Quando pensamos em estimar os parâmetros do modelo da equação (2.17), pensamos de
imediato na estimativas de ?1, . . . , ?p e ?1, . . . , ?q. No entanto, µ e ?2w também são parâmetros
desconhecidos que devem ser estimados como parte de um modelo final especificado. Con-
forme acima observado, na prática a estimativa de p e q procede a etapa de estimação dos
modelos [27].
3.3.1 Estimativa de Máxima Verosimilhança
O método básico usado para estimar os parâmetros acima mencionados de um modelo
ARMA (p,q) é a máxima verosimilhança, que é amplamente usado na maioria das vezes na
análise estatística. A estimativa de máxima verosimilhança (MLE)2 envolve maximizar a função
de verosimilhança
L = f (x1, x2 . . . , xn) (3.11)
que é a distribuição conjunta da realização da série temporal. As estimativas de máxima
verosimilhança são obtidas usando procedimentos iterativos e envolvem suposições nas distri-
buições relativas ao erro de ruído branco, wt. Assumimos que o ruído branco é normal com
média zero.
Como todo método tem as suas vantagens e desvantagens, podemos aqui destacar algumas
2Abreviatura inglesa que significa Maximum Likelihood Estimation
FCUP 33
Séries Temporais Aplicada à Matemática Financeira e a Economia
vantagens do método da máxima verosimilhança que são:
? todas as informações dos dados são usadas, e não apenas o primeiro e o segundo mo-
mentos, como é o caso dos mínimos quadrados, que posteriormente será abordado;
? muitos resultados de grandes amostras são conhecidos sob condições muito gerais,
consequentemente uma das suas desvantagem é que devemos, pela primeira vez, trabalhar es-
pecificamente com a função de densidade de probabilidade conjunta do modelo [12], [28]. Para
qualquer conjunto de observações, X1, X2, X3, . . . , Xn, de séries temporais ou não, a função
de verosimilhança (3.11) é definida como sendo a densidade de probabilidade conjunta de se
obter os dados efetivamente observados. No entanto, é considerado como uma função dos pa-
râmetros desconhecidos no modelo com os dados observados mantidos fixos. Para modelos
ARIMA, (3.11) será uma função dos ?, ?, µ, e ?2w dadas as observações X1, X2, X3, . . . , Xn. Os
estimadores de máxima verosimilhança são então definidos como aqueles valores dos parâme-
tros para os quais os dados realmente observados são mais prováveis, ou seja, os valores que
maximizam a função de verosimilhança [29].
Um processo gaussiano ARMA(p, q) assume a forma
Xt = c+ ?1Xt?1 + ?2Xt?2 + · · ·+ ?pXt?p + ?t + ?1?t?1 + ?2?t?2 + · · ·+ ?q?t?q, (3.12)
onde ?t ? i.i.d.N (0, ?2).
O objetivo é estimar o vetor de parâmetros populacionais ? = (c, ?1, ?2, . . . , ?p, ?1, ?2, . . . , ?q, ?2)
?.
A aproximação da função de verosimilhança para uma auto-regressão condicionada a valores
iniciais dos x. A aproximação da função de verosimilhança para um processo de média móvel
condicionada a valores iniciais de ?. Uma aproximação comum para a função de verosimilhança
para condições de processo ARMA(p, q) em x e ? .
Toma-se valores iniciais para x0 = (x0, x?1, . . . , x?p+1)
? e ?0 = (?0, ??1, . . . , ??q+1)
? dado, a
sequência {?1, ?2, . . . , ?T} pode ser calculado a partir de {x1, x2 , . . . , xT} iterando em
?t = xt ? c? ?1xt?1 ? ?2xt?2 ? · · · ? ?pxt?p ? ?1?t?1 ? ?2?t?2 ? · · · ? ?q?t?q (3.13)
FCUP 34
Séries Temporais Aplicada à Matemática Financeira e a Economia
para t = 1, 2, . . . , T [30]. A verosimilhança do logaritmo condicional é dado por:
L(?) = log fYT ,YT?1,....Y1|Y0,?0 (yT , yT?1, . . . , y1 | y0, ?0;?)
= ?T
2
log(2?)? T
2
log
(
?2
)? T?
i=1
?2r
2?2
.
(3.14)
Uma opção é definir y e ? iniciais iguais aos seus valores esperados. Ou seja, defina xs =
c/ (1? ?1 ? ?2 ? · · · ? ?p) para s = 0,?1, . . . ,?p+1 e defina ?s = 0 para s = 0,?1, . . . ,?q+1,
e então prosseguir com a iteração da equação (3.13) para t = 1, 2, . . . , T . Por outro, em [22]
recomendaram definir ? como zero, mas x iguais aos seus valores reais. Assim, a equação
(3.13) é iniciada na data t = p+ 1 com x1, x2, . . . , xp definidos para os valores observados e
?p = ?p?1 = · · · = ?p?q+1 = 0.
3.3.1.1 Estimativa µ
Conforme observado, depois de estimar os coeficientes ?j e ?j , ainda é preciso estimar µ e
?2a. Estimamos µ pela média amostral x em todas as rotinas de estimativa usadas no tswge. Na
saída do est. arma. wge, o valor da média amostral é dado em $xbar.
[16] M. Peixeiro. Time Series Forecasting in Python. Manning, 2022. ISBN: 9781617299889.
URL: https://books.google.co.ao/books?id=hqXczgEACAAJ.
[17] Robert Goodell Brown. «Statistical forecasting for inventory control». Em: (1959).
[18] CE Holt. «Forecasting seasonals and trends by exponentially weighted averages (ONR
Memorandum No. 52)». Em: Carnegie Institute of Technology, Pittsburgh USA 10 (1957).
[19] Peter R Winters. «Forecasting sales by exponentially weighted moving averages». Em:
Management science 6.3 (1960), pp. 324?342.
[20] Everette S Gardner Jr e ED McKenzie. «Forecasting trends in time series». Em: Manage-
ment science 31.10 (1985), pp. 1237?1246.
[21] Ngai Hang Chan. Time series: Applications to finance with R and S-Plus. Vol. 837. John
Wiley & Sons, 2011.
[22] EP Box George, M Jenkins Gwilym, C Reinsel Gregory et al. «Time series analysis: fore-
casting and control». Em: San Francisco: Holden Bay (1976).
[23] Douglas C Montgomery, Cheryl L Jennings e Murat Kulahci. Introduction to time series
analysis and forecasting. John Wiley & Sons, 2015.
[24] Ruey S Tsay. An introduction to analysis of financial data with R. John Wiley & Sons, 2014.
[25] Daniel Pena, George C Tiao e Ruey S Tsay. A course in time series analysis. John Wiley
& Sons, 2011.
FCUP 47
Séries Temporais Aplicada à Matemática Financeira e a Economia
[26] Wayne A Woodward, Bivin Philip Sadler e Stephen Robertson. Time Series for Data Sci-
ence: Analysis and Forecasting. CRC Press, 2022.
[27] Wayne A Woodward, Henry L Gray e Alan C Elliott. Applied time series analysis with R.
CRC press, 2017.
[28] Søren Bisgaard e Murat Kulahci. Time series analysis and forecasting by example. John
Wiley & Sons, 2011.
[29] RF Galbraith e JI Galbraith. «On the inverses of some patterned matrices arising in the
theory of stationary time series». Em: Journal of applied probability 11.1 (1974), pp. 63?
71.
[30] James Douglas Hamilton. Time series analysis. Princeton university press, 1994.
FCUP 48
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo A
Colocar figuras ou tabelas
49
FCUP 50
Séries Temporais Aplicada à Matemática Financeira e a Economia
Anexo B
Colocar figuras ou tabelas
51