Séries temporais para modelos com parâmetros aleatórios: uma

abordagem bayesiana

Leonilce Mena1 e Marinho Gomes de Andrade Filho2

1
Departamento de Estatística, Universidade Estadual de Maringá, Av. Colombo, 5790, 87020-900, Maringá - Paraná, Brasil.
2
Instituto de Computação de Matemática Computacional, Universidade de São Paulo, C.P. 668. CEP 13560-970, São Carlos -
São Paulo, Brasil. *Autor para correspondência. e-mail: lmena@uem.br

RESUMO. Este trabalho apresenta uma abordagem bayesiana para fazer inferência sobre os
parâmetros de modelos auto-regressivos. Nesse contexto, quando os parâmetros variam de
forma aleatória e independente, adotou-se um modelo hierárquico para descrever a
densidade a posteriori. Uma segunda abordagem supõe que os parâmetros variam de acordo
com um modelo auto-regressivo de primeira ordem; nesse caso a abordagem é vista como
uma extensão do filtro de Kalman, no qual as variâncias dos ruídos são conhecidas. Os
modelos foram analisados usando técnicas de simulação de Monte Carlo e a geração de
amostras das densidades a posteriori permitiram fazer previsões de séries por intermédio das
densidades preditivas Para exemplificar a aplicação dos modelos, consideramos uma série
real correspondente ao preço de ações.
Palavras-chave: processo auto-regressivo, inferência bayesiana, modelo hierárquico, modelo
dinâmico, filtro de Kalman, Gibbs-Sampling, Metropolis-Hasting.

ABSTRACT. Temporal series for random parameter models: a bayesian approach.

This paper presents a Bayesian approach to make inference about the parameters of
autoregressive models. In this context, when the parameters of models are independent and
vary at random we consider a hierarchical model to describe the a posteriori density of
parameters. A second approach assumes that the parameters of model vary according to a
first order autoregressive model. In this case, the proposed approach is seen as an extension
of Kalman filter where the variances of noises are known. The models were analysed using
Monte Carlo simulation techniques and the resulting samples of a posteriori densities
allowed to foresee a data series through predictable densities. Ilustrations with actual data of
a financial series are showed and the two models are evaluated by the quality of the
prediction obtained, emphasizing the best model which represents the data.
Key words: autoregressive process, Bayesian inference, dynamic model, hierarchical model, Kalman
filter, Gibbs-Sampling, Metropolis-Hasting.

bayesianos aplicados para séries com coeficientes

Introdução constantes (Broemeling e Cook, 1993).
Neste trabalho, é aplicado o método Bayesiano
Neste trabalho, o objetivo é formular um
para séries com coeficientes aleatórios, descrevendo
procedimento bayesiano, utilizando simulação de
a utilização e aplicação de um modelo hierárquico
Monte Carlo via Cadeias de Markov para análise e
para modelar uma série temporal na qual as
previsão de séries temporais modeladas por
componentes não observáveis têm uma densidade de
processos auto-regressivos com coeficientes
probabilidade normal cuja média também tem uma
aleatórios denominados processos auto-regressivos
distribuição normal, assegurando-se, assim, que os
generalizados.
coeficientes sejam variáveis aleatórias, mas não
Muitos métodos podem ser utilizados para
independentes. Descreve-se, também, a aplicação de
estimar os parâmetros de um processo auto-
um modelo dinâmico em problemas de previsões, na
regressivo na análise de uma série temporal, tais
qual a série é modelada por uma média que varia no
como: método dos mínimos quadrados, já
tempo, superposta a um ruído aditivo. Essa média é,
amplamente estudados (Box et al., 1994).
por hipótese, uma combinação linear de funções
Um método alternativo de análise e inferência
conhecidas cujos coeficientes são desconhecidos.
nos modelos de séries temporais são os métodos
Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002
1746 Mena e Andrade Filho

Ilustramos a utilidade de nossa técnica, aplicando A análise desses modelos torna-se, geralmente,
o processo auto-regressivo de primeira ordem com intratável quando não existe conjugação entre
coeficiente aleatório para modelagem de uma série distribuição a priori e a função de verossimilhança.
de dados reais na área financeira correspondente ao Nesses casos, métodos de aproximação numérica
preço de ações da Siderúrgica Vale do Rio Doce. Em (Soyer, 1985) ou de simulação devem ser utilizados
nossa análise, mostramos o quanto esses modelos para a obtenção das distribuições a posteriori de
produzem proveitosas informações na previsão de interesse.
observações futuras. Aqui, através de simulação de Monte Carlo via
Cadeia de Markov (MCMC), utilizando o algoritmo
Descrição do modelo Gibbs Sampling (Casella e George, 1992),
Os modelos que estamos trabalhando obtiveram-se as distribuições a posteriori das variáveis
consideram um processo estocástico de interesse e fazemos inferência sobre os
X t ; t = 1, 2,... com distribuição log-normal parâmetros e a previsão de observações futuras para
um processo auto-regressivo de primeira ordem,
denotado por :
com parâmetros aleatórios e variantes no tempo
X t = X θt -t1 ; t = 1, 2,... (1) ajustado por um modelo hierárquico, considerando
a variância do ruído conhecida. Desenvolvemos a
em que θt é um coeficiente cujos valores extensão do modelo considerado por:
descrevem um crescimento ou decrescimento no Yt = θ t y t -1 + ε t ; ε t ~ N(0, τ 2 ) ; (4)
processo. Para produzir uma generalização no 2
τ conhecido
modelo, introduzimos um erro multiplicativo δ t , θ t = λ + ωt ; ω t ~ N(0, γ 2 )
assim temos: γ2 conhecido
θt
λ ~ N(m, S ) ; m , S 2 conhecidos
2
Xt = X δt ;
t −1 t = 1, 2,... (2)

em que, εt e ωt são independentes.

Aplicando o logaritmo natural, em ambos os
lados, em (2) e seja ε t = log(δ t ) nosso modelo
torna-se : Seja a série y = ( y1 , y 2 ,..., y t ) e dado y (t ) ,
(t )

o objetivo é fazermos inferência sobre θ t , λ e

y t = θ t y t −1 + ε t ; t = 1,2,... (3)
previsão de θ t +1 e da observação futura y t +1
def
em que, y t = log( X t ) com yt e εt Denotando a função densidade de θ , dado y
(t )
t
normalmente distribuídos, εt tem média zero e por (
p θt | y (t )
), calculou-se essa densidade
2
variância τ . considerando a função densidade de probabilidade:
Em alguns problemas, é conveniente supormos
que o parâmetro θ t tem característica aleatória. ( ) (
f y t | y t −1,θ t , τ ~ N θ t y t −1 ; τ 2 ) (5)
(Diaz, 1990; Liu, 1995).
Assumindo os θ t' s com densidade de A densidade a priori para λ:
probabilidade normal de média λ e variância γ 2, a
C(λ ) ~ N m; S 2 ( ) (6)
estratégia para assegurar que os θ t' s sejam
dependentes é assumir-se, também, uma Obtemos os resultados:
distribuição de probabilidade para λ , isto é, que λ A função de verossimilhança:
tem distribuição normal com média m e variância
 1 y i − λ yi −1 ( )2 
( )
t
S 2 conhecidos. p y (t ) | λ = ∏ exp−  (7)
Os modelos hierárquicos bayesianos têm sido i =2  2 τi 
utilizados em aplicações nas mais diversas áreas do
conhecimento.

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

Séries temporais para modelos 1747

τ i = γ 2 y i2−1 + τ 2 Seja a y (t ) = ( y1 , y 2 ,..., y t ) e a

série

seqüência θ
(t ) = (θ ,..., θ ) , e dado y (t ) , nosso
1 t
A densidade a posteriori de λ:
objetivo é fazer inferência sobre θ t , τ , λ e previsão
λ | y (t ) ~ N (mt , S t ) (8) para θ t +1 e y t +1 .

S t −1 y t y t −1 + m t −1 γ t Aplicando o raciocínio utilizado no caso da

mt = variância conhecida, com a função densidade de
S t −1 y 2t −1 + τ t probabilidade:

S t −1γ t f (y t | θ t , τ) ~ N(θ t y t −1 ; τ 2 ) (13)

St =
S t −1 y t2−1 +τt
Considerando as densidades a priori para λ para
τ :
A densidade a posteriori de θt :

(
θ t | y ( t ) ~ N θ *t , ∑ *t ) ∏1 (τ ) ~ IG(α ; β )
∏2 (λ ) ~ N (m; S 2 )
(9)
(14)
τ 2 m t + γ 2 y t y t −1
θ =
*
t
τt Obteve-se:
τ4 τ 2γ 2 A função de verossimilhança de (λ , τ ) :
∑ *t = τ 2 S t + τ
t t
( )
t
1
p y ( t ) | λ, τ = ∏ 1
exp (15)
A densidade preditiva, considerando k passos, i=2
(τ i (τ)) 2
para θ t + k , k ≥ 1 , é dada por:
 1 ( y i − λ y i-1 )2 
(
θ t + k ~ N mt , S t + γ 2
) (10) −
 2 τ i (τ )



A média preditiva de y t + k , dado y

(t ) pode ser
em que
escrita como:
τ i (τ ) = γ 2 y i2−1 + τ 2
ŷ t + k = Ε(λk | y t )y t , ou seja;
A distribuição conjunta a posteriori de λ eτ
yˆ t + k = mt yˆ t =k −1 + (k − 1)S t yˆ t + k −2 ; k ≥ 1 (11) τ − (α +1)  β
(
p λ, τ | y ( t ) α ) exp−  ×
 τ
1
Para o processo auto-regressivo de primeira (τ i (τ)) 2

ordem, com a variância do ruído τ ( )2

 1 
desconhecida, descreve-se a incerteza sobre essa exp− (λ − m t (τ))2  × (16)
variância considerando uma distribuição a priori para  2S t (τ) 
τ:

ε t ~ N(0, τ 2 ) ;
 1 t y2  y  
2
y t = θ t y t −1 + ε t ; 
(12) exp− ∑ i −1 

i
− m  
τ2 desconhecido  2 i = 2 τ i (τ )  y i −1  
θ t = λ + ωt ; ω t ~ N λ, γ 2 ( )
2
γ conhecido Distribuição marginal para τ :
λ ~ N m, S( 2
); 2
m e S conhecidos.

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

1748 Mena e Andrade Filho

−1τ − (α +1) e
 1 2

 + ∑t y i −1  τ 2 λ + γ 2 y y  τ 2 λ + γ 2 y y 
 S2 i=2
τ i (τ )  V  2 2 t 2t −1  = Ε  2 2 t 2t −1  −
(
p τ | y (t ) ) α 1
× (17)
 γ y t −1 + τ   γ y t −1 + τ 
(τ i (τ)) 2
 1 t 2
[(
+ Ε θt | y
(t )
)] 2

 β   yi y i2−1
 
exp−  exp− ∑  − m  
 τ 2 i = 2 τ i (τ )  y i −1   para a amostra gerada (τ(j) , λ(j) , j = 1,2, .....M ).

Distribuição condicional para λ: Os valores de Ε(θ t | y ( t ) ) e Ε(λ | y ( t ) ) são
calculados através de simulação de Monte Carlo via
 
( (t )
p λ | y ,τ α exp-
1
) (λ − mt (τ ))2  (18) cadeia de Markov (MCMC) .
 2S t (τ )  Os valores esperados da preditiva para θ t+ k e
y t + k , k ≥ 1 são dados por:
 1 t
y2 
S t (τ ) =  2 + ∑ t −1  − 1 ;
S
 i = 2 τ i (τ ) 

Ε( θ t + k | y ( t ) ) = Ε(λ | y t ) (21)
 m t y y − 1
mt (τ ) =  + ∑ i i  S t (τ )
( ) (
V θ t + k | y (t ) = V λ | y (t ) + γ 2 )
i =2 τ i (τ ) 
2 
S
Ε(y t + k | y ( t ) ) = Ε(λk )y t (22)
τ i (τ ) = γ 2 2
y t −1 +τ 2

em que
Distribuição condicional para τ :

( )
M
1
( (t )
p τ | y ,λ α ) τ − (α +1)  β
exp−  ×
Ε λk =
M
∑ λkj
j =1
 τ
1
(τ i (τ)) 2
2

exp−
1 
(λ − m t (τ))2  × Sˆ λ2 =
1 M  ( j)
∑ λ
M − 1 j =1 
( ) 2
− λˆ 

 2S t (τ ) 
M
1
 1 t y 2  y
exp− ∑ i −1  i − m  
 
2
(19)
τˆ =
M
∑τ ( j)
 2 i = 2 τ i (τ )  y i −1
j =1
 

( )
2
1 M  ( j)
− τˆ 
2
Distribuição condicional para θt : Sˆτ2 = ∑ τ
M − 1 j =1  
 
 
 1
p(θ t | y t , y t −1 , λ, τ) α exp− ^ (θ − θˆ t )
2  (20)

em que M é o tamanho da amostra gerada para
λ( j ) ( j)
t
 2∑  e τ através de simulação de Monte Carlo
 t
 via Cadeias de Markov.
em que Como outra alternativa, apresentou-se uma
τ 2 λ + γ 2 y y  ramificação do processo auto-regressivo de primeira
θ t = Ε(θ t | y (t ) ) = Ε  2 2 t 2t −1 
^
ordem com coeficiente aleatório assumindo uma
 γ yt −1 + τ  estrutura de dependência dos coeficientes do
'
processo estocástico ( θ t s ) tão forte quanto sua
 τ γ 
( )
2 2
Σˆ t = V θ t | y ( t ) = Ε  2 2 2 
permutabilidade. Descrevemos o modelo para uma
 γ y t −1 + τ  série temporal em função de seus componentes não

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

Séries temporais para modelos 1749

Ft : uma quantidade conhecida, denominada, na

observáveis θ t' s quando θt é expresso em função
literatura, como matriz de medida;
dos valores desses mesmos componentes no instante Gt: quantidade conhecida, denominada matriz de
anterior. transição;
Concentrou-se no procedimento pelo qual vt: erro observado assumido, normalmente
obtemos estimadores atualizados dos componentes distribuído, com média zero e variância Vt
não observáveis a todo instante de tempo a partir da conhecida;
informação dada pelo componente observável do wt : erro do sistema com distribuição normal de
sistema, ou seja, y t . Devido, a natureza linear média zero e variância Wt conhecida.
dinâmica do modelo, essa atualização seqüencial Por hipótese, vtv e wt são considerados
pode ser obtida representando o modelo sob a forma independentes entre si e entre estágios subseqüentes.
de espaço de estados e, então, utilizar o modelo filtro O objetivo, aqui, é analisar o comportamento do
de Kalman (Kalman, 1960), cujo procedimento é sistema descrito pelas equações (20) e (21) para
recursivo. avaliar a mudança de comportamento do vetor de
O filtro de Kalman, segundo (Meinhold e parâmetros θ t com o tempo.
Singpurwalla, 1990), proporciona a elaboração de Para atingir esse objetivo, empregou-se a técnica
um algoritmo de estimação recursivo que tem sido filtro de Kalman segundo Meinhold e Singpurwalla
utilizado com sucesso por engenheiros na teoria de (1983), a qual permite atualizar passo-a-passo o valor
controle, e, mais recentemente, por estatísticos e
das médias e matriz de covariância de θ t a medida
econometristas. Descreveu-se a utilização do filtro
de Kalman em problemas de previsão, nos quais a que é feita uma nova observação yt. Esse
série temporal é modelada por uma média que varia procedimento de inferência de θ̂ t (média de θt
no tempo, superposta a um ruído aditivo. Essa
condicionada às observações yt) e matriz de
média é, por hipótese, uma combinação linear de
covariância Σt, permite fazer previsões para a
funções conhecidas cujos coeficientes são
observação futura yt+1.
desconhecidos. Desse modo, a série pode ser
O procedimento pode ser explicado se for
representada por um sistema linear cujo vetor de
considerado o tempo (t-1) e observados os dados até
estados é formado pelos coeficientes desconhecidos
esse tempo y(t-1) = (yt-1, ...,y1).
e pelo valor da média do processo no instante t.
Nessas circunstâncias, o filtro de Kalman pode ser No tempo (t - 1), o conhecimento sobre θ t −1 é
utilizado para obter estimativas ótimas do vetor de dado pela distribuição de probabilidade de θ t −1 , ou
estados, com a vantagem de permitir a variação dos seja:
coeficientes através do tempo.
 
Seja y (t ) = ( y t , y t −1 ,... y1 ) , denotando os (θ t −1 )
| y ( t −1) ~ N θˆ t −1, ∑ t −1

 (25)
valores observados de uma variável de interesse para  
diferentes tempos, assumindo que y t depende de que representa a distribuição a posteriori para θ t −1 .
uma quantidade não observável θ t ( yt e θ t podem Considerou-se o desenvolvimento para o tempo t
em dois estágios:
ser escalares ou vetores). Aqui, consideramos θt 1. Antes da observação y t :
como um vetor de parâmetros, com o objetivo de
 
fazer inferência sobre θ t .
Considerando que a relação entre y t e θ t é
(θ y ( ) ) ~ N  G θˆ
t
t −1
t t −1 , ∑ t


(26)
 
linear e especificada pela equação das observações e a
característica dinâmica da variável não observável é sendo:
θ t , um modelo é caracterizado por ( West e
Harrison, 1997 ): θˆt = Gtθˆt −1 ; ∑ t = Gt' ∑ t −1 Gt + Wt
y t = Ftθ t + vt (23)
Após a observação y t
θ t = Gtθ t −1 + ω t (24)
em que: A função de verossimilhança:
yt : equação observada;

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

1750 Mena e Andrade Filho

(e t ) [(
| θ t , y ( t −1) ~ N Ft θ t − G t θˆ t −1 , Vt ) ] (27) Pode-se escrever a função verossimilhança de
como:
λ

A distribuição conjunta de θ t e et , dado y (t −1) −

1

L(λ | y ) = ∏ (y )
t 2
(i −1)
pode ser escrita como: 2
τ +σ
i −1 i
2
exp
  ∑t ∑ t Ft' 
(θ e t | y (t -1) )
'
( )
~ N  G t θˆ t −1 0 ' 
(28) i =1

 Ft ∑ t Vt + Ft ∑ t Ft' 
t


−
1
(
y i − λθˆi −1 y i −1 )2 
A distribuição a posteriori de θ t :
(θ t | e t , y (t −1) ) ~ N(G t θˆ t −1 + ∑ t Ft' (Vt + Ft ∑ t Ft' ) −1 e t ;
(
 2 y i −1τ i + σ 2
2
) 
(31)

∑ t −∑ t Ft' (Vt + Ft ∑ t Ft' ) −1 Ft ∑ t ) (29) A distribuição conjunta de θt e et pode ser

escrita como:
No modelo filtro de Kalman (Kalman, 1960), as (e t , θ t | y ( t −1) , λ) ~ N(λθˆ t −1 + τ t y t −1 (σ 2 +
quantidades (Ft , Gt , Vt e Wt ) são consideradas (32)
y 2t −1 τ t ) −1 e t ; τ t − y 2t −1 τ t (σ 2 + y 2t −1 τ t ) −1 )
conhecidas. Elas podem variar no tempo somente se
a natureza da variação também for considerada
conhecida. Em muitas aplicações, é difícil A distribuição a posteriori de λ dado y
(t ) :
especificarmos algum ou todos esses parâmetros
devido às informações inadequadas sobre o processo 1
−
ou porque os parâmetros esperados são permutáveis,
( ) ∝ ∏ (y )
t 2
(t )
mas a natureza exata dessa permuta é desconhecida. pλ|y 2
i −1 i τ +σ 2
exp
Nesses casos, o filtro de Kalman é aplicado para i =1

estimar os parâmetros desconhecidos dos dados em

cada estágio, cujos estimadores dos parâmetros

−
(
1
( 2
y i − λθˆ i −1 y i −1  ×
)
) (33)
 2 y i −1 τ i + σ
2 2
podem ser obtidos na forma do estimador bayesiano. 
Considerando todas as quantidades no modelo
 1 2
dado pela equações 23 e 24, como escalares e S −1 exp− 2 (λ − m ) 
fazendo  2S 
Gt = λ , Ft = y t −1 , Vt = ε t e Wt = ω t podemos A distribuição a posteriori de θt dado y
(t ) e λ :
descrever o modelo como:
 
y t = θ t y t −1 + ε t (30)  
( )
1

p(θ t | y ( t ) , λ ) ∝ ∑ t
^ −  1 2  (34)
θ t = λθ t −1 + ω t 2
exp− ^ θ t − θˆ t 
 2∑ t 
 
em que
 εt   0  σ 2 0  λθˆ σ 2 + τ t y t y t −1
  ~ N   ;  , θˆt = t −1 2 (35)
 γ 2  σ + y t2−1τ t
ω t   0  0
^ τ tσ 2
σ 2
eγ 2
conhecidos. ∑ t= σ 2 + y t2−1τ t
(36)

ε t e ω t são independentes entre

( )
Por hipótese,
si e entre estágios e λ desconhecido é independente
Os valores de E θ t | y
(t )
e E λ|y ( (t )
) são
calculados através de simulação de Monte Carlo em
de ω t .
cadeia de Markov (MCMC) com amostras geradas
Desde que λ é desconhecido, assumiu-se uma pelos algoritmos Gibbs-Sampling e Metropolis-
distribuição a priori para o mesmo. Dado os dados Hasting (Chib e Greenberg, 1995).
y (t ) = ( y t y t −1 ,..., y1 ), o objetivo é fazer A distribuição preditiva para θ t +1 é dada por:

inferência sobre θt e a previsão futura de y t +1 .

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

Séries temporais para modelos 1751

uma análise preliminar (análise descritiva) dos dados


( (t )
)
 ˆ 2 ^ 2 
 θ t +1 | y ~ N λθ t , λ Σ t + γ  (37) da série de preço das ações da Siderúrgica Vale do
   Rio Doce, negociadas em dólares, pela Bovespa, no
período de 2 de janeiro de 1996 a 1 de fevereiro de
em que 1999, considerando a priori informativa normal para
λ e θt .
ˆ λθˆt −1σ 2 + τ t y t y t −1
θt = Tabela 1. Valores a Priori para ajustar a Série
σ 2 + y t2−1τ t
m S γ τ
1,0 0,5 0,65 0,33
τ t = λ 2 ∑ t −1 +γ 2
A Figura 1 ilustra o comportamento da série de
dados reais:
^ τ tσ 2 28

∑ t= σ 2 + y t2−1τ t
26

24

y - valo res em dolare s

22

20
A distribuição preditiva para y t +1 18

16

  ^   14

( )
y t +1 | y (t ) , λ ~ N λy t θˆ t ; y 2t  λ2 ∑ t + γ 2  + σ 2  (38) 12

    10

Para exemplificar a aplicação desses modelos,
considerou-se uma série real correspondente ao
preço de ações da Siderúrgica Vale do Rio Doce, em
dólares, negociadas no período de 02 de janeiro de
1996 a 1 de fevereiro de 1999, pela Bovespa (Bolsa
de Valores de São Paulo).
A partir das condicionais a posteriori dos parâmetros
de cada modelo, aplicando os algoritmos Gibbs-
Sampling e Metropolis-Hasting, geraram-se
amostras da série considerando 5 cadeias com 3000
iterações cada uma, e, para garantir a independência
entre os valores simulados de cada parâmetro,
tomamos 50% das iterações, demos um salto a cada 5
valores, selecionando, assim, uma amostra com 300
valores em cada cadeia, totalizando uma amostra
final de 1500 valores.
A convergência das amostras geradas foi
monitorada, utilizando o método proposto por
Gelman e Rubin (1992), o qual se baseia na análise
de variância.
Utilizando essa amostra, aproximou-se a
densidade preditiva dos parâmetros de interesse de
cada modelo, através dos estimadores de Monte
Carlo e verificou-se graficamente qual o modelo que
melhor representa os dados, em função dos valores
previstos obtidos.
Na Tabela 1, pode-se observar
hiperparâmetros do modelo hierárquico
considerando a variância conhecida, baseados em
8
0 100 200 300 400 500 600 700
t
Figura 1. Evolução de preço diário de ações da Vale do Rio Doce.
Com o objetivo de compararmos a evolução de
preços reais com os preços previstos, calculou-se a
previsão desses preços para os últimos 30 dias do
período e apresentamos os resultados obtidos nas
Figuras 2 e 3.
Na Figura 2, é visualizado o comportamento dos
valores previstos considerando um passo (dia) à
frente, ou seja, (y t+k | y ( t + k −1) ; k = 1,...,30 , )
enquanto que na Figura 3 visualiza-se tendência da
previsão e dos valores reais para os 30 dias,
considerando os dados observados até o instante t,
( ),
(t )
isto é, y t + k | y em que os 30 últimos dias
foram deixados fora do conjunto de observações
usadas no ajuste do modelo.
Observando as Figuras 2 e 3, pode-se constatar
que os valores previstos, obtidos a partir da amostra
gerada, possuem, basicamente, a mesma tendência
que os valores reais; houve apenas uma diferença de
locação nos valores previstos, que pode ser vista na
Figura 2.
No cálculo dos valores previstos, considerando
um passo (dia) à frente, obteve-se um erro médio de
os previsão (em percentual) et = 0,461% .
Erro esse inferior a 5%; assim, podemos concluir
que o modelo apresentado é adequado para fazer

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

1752 Mena e Andrade Filho

previsões de observações futuras de dados (y | y ( t + k −1) ; k = 1, 2,..., 10 , onde os últimos 10

t+k )
financeiros. dias foram deixados fora do conjunto de observações
11 usadas no ajuste do modelo dinâmico.
10.5
y - valores em dolares

11
10
10.5

y - valores em dolares
9.5
10
9
9.5
8.5
V .Real 9
V .P revisto
8
620 625 630 635 640 645 650 655
t 8.5
V .Real
V .P revisto
Figura 2. Comparação diária de preços reais e previstos de ações 8
620 625 630 635 640 645 650 655
da Vale do Rio Doce t

Figura 4. Comparação de preços reais e previstos nos últimos 30

11
dias do período
1 0 .5
y - va lo re s e m d o la re s

28
10

27
9 .5
y - valores em dolares

26
9

25
8 .5 V .R e a l
V .P re vis to
24
8
620 625 630 635 640 645 650 655
t 23

Figura 3. Tendência de preços de ações da Vale do Rio Doce em 22 V.Real

V.Previsto
30 dias consecutivos
21
100 105 110 115 120 125 130 135
t
Considerando o modelo hierárquico com a
variância desconhecida, visualiza-se, na Figura 4, a Figura 5. Tendência de preço real e preços estimados
evolução de preços reais e de preços previstos um
(
passo (dia) à frente y t + k | y ( t + k −1) ; k = 1,..., 30 , ) 14
V a lo re s R e a is e P re vis to s d e A ç õ e s p a ra 1 0 D ia s

V .R e a l
enquanto que na Figura 5 visualiza-se a tendência 13
V .P re vis to

dos preços das ações da Siderúrgica Vale do Rio

va lo re s e m d o la re s

Doce, negociadas nos últimos 30 dias do período 12

analisado, sendo que os valores de y t + k são 11

calculados considerando todos os dados anteriores, 10

ou seja, y t + k | y ( t ) , observando que nas duas 9

figuras, os últimos 30 dias foram deixados fora dos

8
dados usados para o ajuste do modelo. 642 644 646
t
648 650 652

Na Figura 5, é possível observar que, pelo fato de

Figura 6. Comparação de preços real e preço estimados de ações
se acrescentar uma incerteza na variância, ocorre
da Vale do Rio Doce
uma discrepância nos valores previstos a partir da
amostra gerada em relação aos valores reais dos Na Figura 6, é possível observar que os valores
dados. Fato este que pode ser confirmado pelo erro previstos estão bem próximos dos valores reais com
de previsão pois, nesse caso, tem-se um erro médio pequeno erro de previsão, cujo valor médio
de et = 0,375% . percentual é:
Na Figura 6, são comparados os preços reais e et = 5,23% .
previstos, considerando um passo (dia) à frente,

Acta Scientiarum Maringá, v. 24, n. 6, p. 1745-1753, 2002

Séries temporais para modelos
Mediante os resultados obtidos nesse exemplo,
vale ressaltarmos que a dependência das variáveis
(coeficiente) do modelo auto-regressivo não
apresenta mudanças muito acentuadas na previsão
das observações futuras, mesmo quando
acrescentamos uma incerteza na variância do ruído.
O uso de modelos hierárquico e dinâmico para
modelagem de processos auto-regressivos com
parâmetros aleatórios são alternativas eficientes para
analisarmos e fazermos previsões futuras da
evolução de valores econômicos.
Nesse caso, a análise bayesiana, usando método
de simulação de Monte Carlo via Cadeia de Markov,
tem implementação razoavelmente fácil, não
exigindo desenvolvimento de aproximações
numéricas, e as inferências obtidas são bastante
precisas. Entretanto, conforme resultados gráficos
obtidos, pode-se observar que o modelo hierárquico,
no qual é considerado a variância do ruído τ 2 ( )
conhecida, apresenta os valores previstos mais
próximos dos valores reais no período considerado.
A abordagem bayesiana é estendida para os modelos
mais realistas, nos quais têm-se incertezas sobre as
variâncias dos ruídos.
Nesses modelos mais gerais, os erros de previsão
crescem como era de se esperar; mesmo assim, os
modelos mostram-se mais adequados para a previsão
de séries não estacionárias.
Referências
BOX, G.E.P. et al. Time series analysis: forecasting and control.
3. ed. New Jersey: Holden Day, 1994.
Acta Scientiarum
1753
BROEMILING, D.L.; COOK, P. Bayesian estimation of
the mean of an autoregressive process. Journal of Applied
Statistics, Oklahoma, v.20, n1, p.25-38, 1993.
CASELLA, G.; GEORGE, E. J. Explaining the Gibbs-
Sampler, Belmont. Amer. Statis. Soc., Alexandria, v. 46, n.3,
p.167-174, 1992.
CHIB, S.; GRENBERG, E.J. Understanding the
Metropolis-Hasting Algorithm. Amer. Statis. Soc.,
Alexandria, v. 49, n.4, p.35-51, 1995.
DIAZ, J. Bayesian Forecasting for AR(1) Models With
Normal Coefficients. Commu. Statist.-Theory Meth.,
Voorburg, v.196, p.2229-2246, 1990.
GELMAN, A.; RUBIN, B.D. Inference from Iterative
Simulation Using Multiple Sequences. Stat. Sci.,
Hayward, v.4, p.457-511, 1992.
KALMAN, R.E. A New Approach to Linear Filtring and
Predition Problem. Journal of Basic Eng, Trans. ASME,
Series. D, New York, v. 82, p 35-45, 1960.
LIU, S.I. Comparison of Forecastes for Arma Models
Between a Random Coeficent Approach and a Bayesian
Approach. Commu. Statist Theory Meth., Voorburg, v. 24,
n.2, p.319-333, 1995.
MEINHOLD, R.J.; SINGPURVALLA, N.D.
Understanding the Kalman Filter, Amer. Statis. Soc.,
Alexandria, v. 37, n, p.229-246, 1983.
SOYER, R. Random coefficient autoregressive process and their
ramifications: applications to reliability growth. assessment. 1985.
(Dissertation) - School Eng. Appl. Sci., George
Washington Univ, Washington D.C., 1985.
WEST, M.; HARRISON, J. Bayesian Forecasting and
Dynamic Models, 2. ed. New York: Springer. 1997.
Received on January 26, 2002.
Accepted on June 18, 2002.
Maringá, v. 24, n. 6, p. 1745-1753, 2002