Robust estimation of high-dimensional cDCC model

Orientador: Luiz Koodi Hotta Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica Resumo: Volatilidades de retornos de ativos são importantes para tomada de decisão em diferentes áreas de finanças econométricas. Na literatura de modelagem estatística o modelo cDCC (corrected dynamic conditional correlation) é utilizado com frequência para aplicações desta natureza. Com o aumento do número de ativos, técnicas como a verossimilhança composta são utilizados para viabilizar a estimação em dados de alta dimensão. No entanto, na presença de outliers aditivos este estimador se torna severamente viciado. Esta dissertação apresenta um método robusto de alta dimensão resultante da combinação de diferentes metodologias presentes na literatura. Os resultados do estudo de simulação mostraram que o estimador proposto produz estimativas com menor viés e gera portfólios de mínima variância com menores variâncias. Isso foi confirmado na aplicação, que envolve retornos de S&P500, em que os estimadores foram comparados considerados rebalanceamentos diários e mensais. Em geral, o método robusto produziu portfólios de menor variância na maioria dos anos, inclusive nos de crise Abstract: Asset return volatility is important for decision making in different areas of econometric finance. In the statistical modeling literature, the cDCC (corrected dynamic conditional correlation) model is frequently used for applications of this nature. With the increase in the number of assets, techniques such as composite likelihood are used to enable to estimate high-dimensional data. However, in the presence of additive outliers this estimator becomes severely biased. This dissertation presents a robust high-dimensional method resulting from the combination of different methodologies present in the literature. The results of the simulation study showed that the proposed estimator produces less biased estimates and generates minimum variance portfolios with lower variances. This was confirmed in the application, which involves returns from S&P500, in which the estimators were compared considering daily and monthly rebalancing. In general, the robust method produced portfolios with lower variance in most years, including crisis years Mestrado Estatística Mestre em Estatística CAPES 001