Regularized Estimation of Sparse Vector Autoregressive Models with Non-Gaussian and Conditionally Heteroskedastic Errors

Quem: 

Eduardo Mendes

Onde: 

Praia de Botafogo, 190 - sala 317

Quando: 

31 de Agosto de 2017 às 16h

There has been considerable advances in understanding the properties of the LASSO procedure in sparse high-dimensional models. Most of the work is, however, limited to the independent and identically distributed setting whereas most time series extensions consider independent and/or Gaussian innovations. Kock and Callot (2016, JoE) derived equation-wise oracle inequalities for Gaussian vector autoregressive models. We extend their work to a broader set of innovation processes, by assuming that the error process is non-Gaussian and conditionally heteroskedastic. It is of particular interest for financial risk modeling and covers several multivariate-GARCH specifications, such as the BEKK model, and other factor stochastic volatility specifications. We apply this method to model and forecast large panels of daily realized volatilities.

*Texto informado pelo autor. 

Palestrante: 

Eduardo Mendes possui PhD em estatística pela Nortwestern University (2012) e trabalhou como pesquisador de pós-doutorado em econometria na Escola de Economia da University of New South Wales, em Sydney, antes de se juntar à Escola de Matemática Aplicada da FGV, no Rio de Janeiro. Seu interesse em pesquisa se encontra na intersecção entre estatística, computação e econometria, tanto no aspecto aplicado quanto teórico, e publicou artigos nessas três áreas. Seu trabalho foi aplicado em econometria financeira e, mais recentemente, modelagem macroeconômica. Em uma linha recente de trabalho, está interessado na utilização de dados públicos para entender comportamento social e avaliação de políticas públicas. Além disso, ele participa em pesquisas junto ao Instituto Brasileiro de Pesquisas Econômicas (FGV-IBRE) no desenvolvimento de índices econômicos usando dados coletados automaticamente pela internet.