000 | 02173n a2200289#a 4500 | ||
---|---|---|---|
001 | 40180 | ||
003 | P5A | ||
005 | 20230123132003.0 | ||
007 | cr cuuuuuauuuu | ||
008 | 210928s2021 bl por d | ||
035 | _aocm51338542 | ||
040 |
_aP5A _cP5A |
||
090 | _atimpa | ||
100 | 1 |
_aFigueiredo Neto, Mario de Mello _91278 |
|
245 | 1 | 0 |
_aFitting and Forecasting Brent and WTI future prices curve using Machine Learning/ _cMario Figueiredo. |
260 |
_aRio de Janeiro: _bIMPA, _c2021. |
||
300 | _avideo online | ||
500 | _aDefesa de Tese - Dissertação de Mestrado. | ||
500 | _aBanca examinadora: Yuri Saporito (IMPA-FGV) Paulo Orenstein (IMPA) Fernando Aiube (UERJ) Suplente: Rodrigo Targino (IMPA-FGV) | ||
505 | 1 | _aResumo: Nesse trabalho, nós ajustamos os modelos Nelson-Siegel dinâmico e Schwartz-Smith de três fatores à curva de preços futuros do Brent e do WTI. Também estudamos a previsão de preços um dia à frente para toda a curva para cada modelo. Para isso, utilizamos duas abordagens diferentes: por OLS (minimização do erro quadrático) e por Filtragem. Para o modelo Nelson- Siegel dinâmico, nós utilizamos o passeio aleatório, o VAR e modelos baseados em LSTM, incluindo uma versão de LSTM com filtragem (LSTM-KF). Para o modelo de Schwartz-Smith de três fatores, utilizamos as equações que são dadas pelo modelo, assumindo não arbitragem. Nós também testamos um método de previsão a partir da curva diretamente, a que referimos como Basic Model. Nós mostramos que o modelo de Nelson-Siegel dinâmico foi o melhor no ajuste de dados em comparação com o de Schwartz-Smith e que a utilização de LSTM na abordagem OLS gerou as melhores previsões . | |
650 | 0 | 4 |
_aMatematica. _2larpcal _919899 |
697 |
_aTeses do IMPA _924311 |
||
700 | 1 |
_aSaporito, Yuri _u(IMPA) _eorientador _98522 |
|
711 | 2 |
_aDefesa de Tese _910070 |
|
856 | 4 |
_zVIDEO _uhttps://bit.ly/3kLr2M7 |
|
942 |
_2impa _cVIDEO |
||
999 |
_aFITTING and Forecasting Brent and WTI future prices curve using Machine Learning. Mario Figueiredo. Rio de Janeiro: IMPA, 2021. video online. Disponível em: <https://bit.ly/3kLr2M7>. Acesso em: 28 set. 2021. _c38821 _d38821 |