Long memory in high frequency time series using wavelets and conditional volatility models (2021)
- Authors:
- Autor USP: PINTO, MATEUS GONZALEZ DE FREITAS - IME
- Unidade: IME
- Sigla do Departamento: MAE
- DOI: 10.11606/D.45.2021.tde-06052021-100559
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; MODELAGEM DE DADOS
- Keywords: Asset returns; Dados de alta frequência; Dados intradiários; FIGARCH; High frequency data; Intraday data; Long memory; Memória longa; Ondaletas; Retornos; Volatilidade; Volatility; Wavelets
- Language: Inglês
- Abstract: O objetivo desta dissertação é descrever uma metodologia para modelagem da volatilidade de dados financeiros de alta frequência, considerando suas particularidades e fatos estilizados. Os modelos ARFIMA e FI(E)GARCH são utilizados para modelar a longa persistência das séries na média e na variância condicional, respectivamente, quando isto for observado. A fim de contemplar não-normalidade, assimetria e curtose são utilizadas as distribuições t de Student Assimétrica e Distribuição Generalizada de Erros (GED) para o termo de inovações dos modelos supracitados. A limiarização de ondaletas é utilizada para identificação e separação dos \"jumps\" intradiários de forma não-paramétrica. A aplicação deste procedimento é apresentada utilizando séries financeiras reais de retornos de ações em alta frequência para ativos negociados no mercado à vista na bolsa de valores brasileira, além de séries de taxas de câmbio de criptomoedas, comparando o modelo semiparamétrico proposto a uma abordagem tradicional sem remover os \"jumps\"
- Imprenta:
- Data da defesa: 09.03.2021
- Este artigo possui versão em acesso aberto
- URL de acesso aberto
- PDF de acesso aberto
- Versão do Documento: Versão publicada (Published version)
-
Status: Artigo publicado em periódico de acesso aberto (Gold Open Access) -
ABNT
PINTO, Mateus Gonzalez de Freitas. Long memory in high frequency time series using wavelets and conditional volatility models. 2021. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2021. Disponível em: https://teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/. Acesso em: 15 mar. 2026. -
APA
Pinto, M. G. de F. (2021). Long memory in high frequency time series using wavelets and conditional volatility models (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/ -
NLM
Pinto MG de F. Long memory in high frequency time series using wavelets and conditional volatility models [Internet]. 2021 ;[citado 2026 mar. 15 ] Available from: https://teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/ -
Vancouver
Pinto MG de F. Long memory in high frequency time series using wavelets and conditional volatility models [Internet]. 2021 ;[citado 2026 mar. 15 ] Available from: https://teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/ - Persistence and seasonal long memory in unemployment in the United States
- High-frequency dynamics of Bitcoin futures: an examination of market microstructure
- A maximum-likelihood-based approach to estimate the long memory parameter using fractional spline wavelets
- Jump detection in high-frequency financial data using wavelets
- Long-memory parameter estimation based on fractional spline wavelets
- Relatório de análise estatística sobre o projeto “Estudo da incidência de casos de dengue no município de Campo Grande no período de 2017 a 2024 com a aplicação de diferentes métodos de análise”
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
