Microaula em Método CELULA • Prévia Aberta

<p>Redução de dimensionalidade e extração de sinais macrofinanceiros latentes a partir de grandes painéis de séries temporais não estacionárias. Analisa a formulação de Modelos de Fatores Dinâmicos (DFM) de Stock &amp; Watson (2002) e os estimadores de Componentes Principais (PCA) de Bai &amp; Ng (2002). Desenvolve detalhadamente o framework PANIC (Panel Analysis of Nonstationarity in Idiosyncratic and Common Components) proposto por Bai &amp; Ng (2004), que permite determinar se a não-estacionariedade observada no painel provém de fatores comuns não estacionários, de componentes idiossincráticos não estacionários, ou de ambos. Aborda critérios de informação IC_p e PC_p robustos para determinação do número ótimo de fatores latentes.</p>

Redução de dimensionalidade e extração de sinais macrofinanceiros latentes a partir de grandes painéis de séries temporais não estacionárias. Analisa a formulação de Modelos de Fatores Dinâmicos (DFM) de Stock & Watson (2002) e os estimadores de Componentes Principais (PCA) de Bai & Ng (2002). Desenvolve detalhadamente o framework PANIC (Panel Analysis of Nonstationarity in Idiosyncratic and Common Components) proposto por Bai & Ng (2004), que permite determinar se a não-estacionariedade observada no painel provém de fatores comuns não estacionários, de componentes idiossincráticos não estacionários, ou de ambos. Aborda critérios de informação IC_p e PC_p robustos para determinação do número ótimo de fatores latentes.

Modelos de Fatores para Grandes Painéis: Stock & Watson (2002) e Bai & Ng (2002)

Representação matricial X = F * Lambda' + e em grandes dimensões (N, T tendendo ao infinito conjuntamente), consistência dos estimadores de PCA e...