● Explique o conceito de séries temporais em econometria:

Em econometria, séries temporais referem-se a conjuntos de dados coletados em intervalos de

tempo sequenciais, nos quais a ordem das observações é relevante. Essas séries são
analisadas para identificar padrões, tendências e dependências temporais, permitindo a
modelagem e previsão de fenômenos econômicos. A análise de séries temporais em
econometria envolve técnicas estatísticas e modelos que capturam a dinâmica temporal dos
dados, auxiliando na compreensão do comportamento passado, na análise do presente e na
projeção do futuro, contribuindo para a tomada de decisões embasadas em evidências
temporais.

Séries temporais Séries temporais

de natureza financeira de natureza Macroeconômica

● Conceito o processo estocástico em econometria:

Em econometria, processo estocástico refere-se a um modelo matemático que descreve a

evolução probabilística de uma variável ao longo do tempo, capturando a incerteza inerente a
um fenômeno econômico. É um conceito fundamental para a análise de séries temporais,
fornecendo estrutura para modelagem e previsão. Um processo estocástico é caracterizado
pela dependência serial entre os valores observados em diferentes pontos no tempo, refletindo
a influência de fatores aleatórios na dinâmica econômica.

● Explique o conceito de processo estocástico e de realizações de um processo

estocástico a partir de uma abordagem gráfica.
●
● 3 - Fatos estilizados:
Clustering de volatilidade: A volatilidade dos preços/retornos dos ativos financeiros tende a
se agrupar no tempo. Isso significa que períodos de alta volatilidade são seguidos por
períodos de alta volatilidade, e períodos de baixa volatilidade são seguidos por períodos de
baixa volatilidade. Esse padrão de clustering de volatilidade é conhecido como volatilidade
heterocedástica condicional e é amplamente observado nos mercados financeiros.

Longas caudas nas distribuições de retornos: Os retornos de ativos financeiros

frequentemente exibem longas caudas nas distribuições, o que significa que eventos
extremos, tanto positivos quanto negativos, ocorrem com mais frequência do que seria
esperado em uma distribuição normal. Isso indica a presença de eventos raros e extremos,
conhecidos como eventos de cauda, que podem ter um impacto significativo nos preços dos
ativos financeiros. Esses eventos são importantes para a gestão de riscos e a modelagem de
eventos extremos.

Persistência de tendências: Os preços/retornos dos ativos financeiros também exibem um

fato estilizado de persistência de tendências. Isso significa que, muitas vezes,
movimentos de alta ou baixa em um ativo financeiro tendem a continuar por algum
tempo antes de serem revertidos. Essa persistência de tendências pode ser influenciada por
diversos fatores, como fatores fundamentais, comportamentais e efeitos de momentum. A
identificação e exploração dessas tendências é um tema importante em estratégias de
investimento, como o trading quantitativo.

● Analise de residuos:

A análise dos resíduos é uma etapa crucial na econometria porque fornece informações
essenciais sobre a qualidade do ajuste do modelo estatístico aos dados e a validade das
suposições subjacentes. Os resíduos são a diferença entre os valores observados e os valores
previstos pelo modelo. A análise dos resíduos ajuda a verificar se o modelo é apropriado para
os dados e se as pressuposições do modelo são satisfeitas. Aqui estão algumas razões pelas
quais a análise dos resíduos é importante:

1. Avaliação do ajuste do modelo: A análise dos resíduos permite verificar se o modelo é

capaz de explicar adequadamente a variação nos dados. Se os resíduos exibirem padrões
sistemáticos, como tendências, sazonalidades ou autocorrelações significativas, isso indica
que o modelo não captura completamente a estrutura subjacente dos dados. A análise dos
resíduos ajuda a identificar onde o modelo pode ser melhorado e a fazer ajustes necessários
para melhorar o ajuste.

2. Verificação das suposições do modelo: A análise dos resíduos é útil para verificar se as
suposições do modelo estão sendo atendidas. Por exemplo, em muitos modelos de regressão,
uma suposição importante é a independência dos resíduos. Se os resíduos exibirem
autocorrelação significativa, isso indica que a suposição de independência não está sendo
atendida e pode ser necessário considerar modelos mais sofisticados para lidar com a
dependência serial. A análise dos resíduos também pode ajudar a verificar outras suposições,
como a normalidade dos resíduos e a homocedasticidade.

3. Detecção de outliers e observações influentes: Os resíduos podem revelar a presença de

outliers ou observações influentes, que são valores atípicos que podem distorcer as
estimativas e previsões do modelo. Ao identificar essas observações, é possível avaliar seu
impacto no ajuste do modelo e decidir se elas devem ser tratadas ou excluídas da análise.

4. Melhoria das previsões: A análise dos resíduos pode ajudar a melhorar as previsões do
modelo. Se os resíduos exibirem padrões sistemáticos, como autocorrelações significativas,
isso pode indicar que o modelo não está capturando corretamente a dinâmica temporal dos
dados. Com base na análise dos resíduos, é possível ajustar o modelo ou considerar modelos
mais complexos que melhor descrevam a estrutura temporal dos dados, aprimorando assim as
previsões futuras.

Em resumo, a análise dos resíduos desempenha um papel fundamental na avaliação e no

aprimoramento dos modelos estatísticos em econometria. Ela ajuda a verificar o ajuste do
modelo, avaliar as suposições, detectar outliers e observações influentes, e melhorar as
previsões. A análise cuidadosa dos resíduos permite uma análise mais robusta e confiável dos
dados e auxilia na tomada de decisões informadas.

● Por que os dois primeiros momentos estatísticos são importantes para a Análise
de Séries Temporais?

Os dois primeiros momentos estatísticos, a média e a variância, são importantes para a análise
de séries temporais na econometria porque fornecem informações essenciais sobre o
comportamento médio e a dispersão dos dados ao longo do tempo. Eles ajudam a
compreender a tendência central e a volatilidade da série, que são aspectos fundamentais para
a modelagem e interpretação dos dados.

1. Média: A média é um indicador do comportamento médio dos valores observados em

uma série temporal. Ela fornece uma medida de tendência central e permite identificar
se há uma tendência de crescimento, queda ou estabilidade ao longo do tempo. A análise
da média é importante para entender o comportamento médio dos dados e detectar possíveis
padrões ou mudanças estruturais na série.

2. Variância: A variância é uma medida de dispersão dos valores observados em relação

à média. Ela indica a magnitude da volatilidade ou flutuação dos dados ao longo do
tempo. A análise da variância é crucial para avaliar a estabilidade e a volatilidade dos
dados, identificando períodos de maior ou menor volatilidade. A variância também é um
componente chave na modelagem de séries temporais, pois ajuda a determinar a precisão dos
modelos estatísticos e a estimativa de parâmetros.
Além da média e da variância, outros momentos estatísticos, como o desvio padrão, a
assimetria e a curtose, também desempenham papéis importantes na análise de séries
temporais. Essas medidas fornecem informações adicionais sobre a distribuição dos dados, a
simetria e a presença de caudas pesadas ou leves. A análise dos momentos estatísticos
permite uma descrição mais completa das características da série temporal e auxilia na
seleção e avaliação dos modelos estatísticos adequados para a análise e previsão dos dados.

v2

● Fazer equação escalar e polinomial de ARMA(p,q)

Escalar de ARMA(p,q) (Escalar = Regressão)

Polinomial de ARMA(p,q) ?

(1 - ϕ_1 * B^1 - ϕ_2 * B^2 - … - ϕ_p B^p )(Yt-mu) = (1 + θ_1 * B + θ_2 * B^2 + … + θ_q *
B^q)ε_t
● Fazer análise de gráficos e como seria a modelagem
II - Poderíamos fazer a verificação através da plotagem da série das diferenças?

III - verificar os critérios de informação AIC e BIC, quanto menor o valor mais adequado é o
modelo, mas devemos também considerar a parcimônia, para valores próximos de AIC e BIC
o ideal é escolher o modelo de menor ordem.

SARMA

O modelo abaixo lei-se: AR(2), AM(1), com 1 período sazonal em AR (1,0) e 0 sazonalidade
em AM, com frequência de Sazonalidade igual a 12.

Primeiro colocamos a fórmula do AR, depois do MA e depois o período sazonal de AR (1) e

de MA (0 no caso), e o erro do AR:

Mesma lógica embaixo, mas como temos dois períodos de sazonais, fazemos o período
sazonal de AR duas vezes, sempre escalando o tempo com s * número de período (pois temos
t-1*6 e t-2*6 = t-6 e t-12):