This paper identifies and quantifies the effect of macroeconomics events of multiple countries on exchange rate volatility using high frequency currency returns while accounting for persistent stochastic volatility effects and seasonal components capturing time of the day patterns. Due to the hundreds of macroeconomic announcements and its lags, we rely on sparsity based methods to select relevant events for the model. We contribute to the literature in four ways: First, we identify the macroeconomic events that drive currency volatility, estimate their effect, connect them to macroeconomic fundamentals and show how they can be linked to lower frequency currency returns using a model averaging argument. Second, we find a connection between intraday seasonality, trading volume and opening hours of majors markets across the globe and provide a simple labor-based argument for the pattern found. Third, we show that inclusion of macroeconomic events and seasonal components are key for forecasting exchange rate volatility. Fourth, applying our proposed model for multiple currencies alongside a dynamic copula yields a Sharpe ratio 3.5 times higher than using standard SV and GARCH models. This is joint work with my PhD student Igor Martins.

Resumo em breve.

Informações em https://www.even3.com.br/mulheresestatistica23/.

Daniel Würzler Barreto – Maria Silva Paez
Lucas Moura Faria e Silva – Thais Fonseca
Maria Eduarda Campello Gallo – Kelly Gonçalves
Silvaneo Vieira dos Santos Junior – Mariane Branco e Carlos Abanto

A modelagem de processos espaço-temporais tem sido uma área de grande interesse na estatística e em outras ciências aplicadas. Em particular, os processos espaço-temporais são uma forma de análise de dados que levam em conta tanto a variação espacial quanto temporal. Esses tipos de dados são comuns em muitos campos, incluindo ciências ambientais, geologia, ecologia, entre outros.

Nesse trabalho, apresentarei diferentes modelagens para processos espaço-temporais aplicados a dados ambientais, baseados em processos gaussiano e dinâmicos. Os modelos para processos espaço-temporais são usados principalmente para previsão no tempo e interpolação no espaço. Eles são úteis para entender e prever a evolução de processos ambientais, como mudanças climáticas, distribuição de espécies animais e vegetais, qualidade da água, entre outros.

A hipótese de isotropia e normalidade é uma das abordagens mais comuns para a modelagem de processos espaço-temporais. Nesta palestra, serão apresentadas inicialmente modelagens mais simples, considerando essas hipóteses, para posteriormente avançar para abordagens mais complexas e realistas, que permitem relaxar essas hipóteses. Uma abordagem de deformação espacial é usada para lidar com a anisotropia. Além disso apresentarei abordagens para a modelagem de processos univariados e multivariados

Informações em http://www.im.ufrj.br/~coloquiomea/.

O uso de abordagens Bayesianas em problemas de engenharia tem um papel importante na calibração e seleção de modelos computacionais. Em particular, destacam-se aplicações na grande área de Dinâmica de Estruturas envolvendo, por exemplo: calibração de modelos constitutivos elasto-visco-plásticos, identificação de defeitos estruturais, seleção de modelos de interação broca-rocha em problemas de colunas de perfuração, seleção de modelos de contato e adesão, entre outros.
Em algumas aplicações é bastante comum o analista se deparar com cenários nos quais existem poucos dados de observação, não permitindo, desta forma, uma clara especificação de qual função de likelihood deveria ser adotada, por exemplo. Em outras aplicações, apesar do analista ter uma visão clara da classe de modelos a ser adotada, ao mesmo tempo se depara com erros de modelagem referentes a parâmetros (campos) de interesse secundário. Nestes casos, estratégias Bayesianas aproximadas podem ser opções viáveis.
Neste seminário, apresentarei duas aplicações de estratégias Bayesianas aproximadas em Dinâmica de Estruturas. A primeira aplicação consiste no uso da técnica BAE (Bayesian Approximate Error) para compensar erros de modelagem em problemas de identificação de defeitos estruturais. Neste primeiro problema considera-se o uso de dados de aceleração medidos em alguns pontos da estrutura. A segunda aplicação consiste no uso de uma abordagem Bayesiana sem likelihood para calibração e seleção de modelos de interação broca-rocha comumente utilizados em modelagem de colunas de perfuração. Neste segundo problema considera-se o uso de dados experimentais de torque e velocidade angular da broca medidos em campo.

The BayesMortalityPlus package provides a framework for modelling and predicting mortality data. The package includes tools for the construction of life tables based on Heligman-Pollard laws and also on dynamic linear smoothers. Flexibility is available in terms of modelling so that the response variable may be modeled as Poisson, Binomial or Gaussian. If the time dimension is available, the package provides a Bayesian version for the well-known Lee-Carter model that allows for estimating and projecting mortality over time. Some illustrations are considered to show the capability of the proposed package to model mortality data.

Jointly with Luiz Fernando Figueiredo (DME/LabMA/UFRJ), Viviana G R Lobo (IM/UFRJ), Thais C O Fonseca (IM/UFRJ) and Mariane B Alves (IM/UFRJ)

In the last decades, a debate on a responsible, sustainable human presence on Earth emerged strongly. With climate change and the overwhelming economic pressure on Nature, empowering procedures for efficient resource use with the recent advances in artificial intelligence is vital to create adequate policies and trigger warning alerts accordingly. Remotely sensing natural dynamic phenomena, like phenological crop cycles or deforestation processes, is challenging. Continuous and smooth physical processes usually rule such phenomena, but remote sensing involves different sensors with very different essence, scale, and visit rates, corrupted by stochastic events, resulting in highly complex multimodal multitemporal and multi-scale datasets. Moreover, data labeling in Earth Observation (EO) applications is usually scarce or unavailable due to the massive amount of data continuously acquired or notorious fieldwork limitations. This presentation discusses machine learning approaches for earth observation data with scarce labeling, aiming to develop environmental protection solutions, promote efficient tools to adapt to EO’s global warming effects, and support efficient agricultural practices with a lower data annotation burden.

Informações em http://www.im.ufrj.br/~coloquiomea/.

A modelagem de processos espaço-temporais tem sido uma área de grande interesse na estatística e em outras ciências aplicadas. Em particular, os processos espaço-temporais são uma forma de análise de dados que levam em conta tanto a variação espacial quanto temporal. Esses tipos de dados são comuns em muitos campos, incluindo ciências ambientais, geologia, ecologia, entre outros.

Nesse trabalho, apresentarei diferentes modelagens para processos espaço-temporais aplicados a dados ambientais, baseados em processos gaussiano e dinâmicos. Os modelos para processos espaço-temporais são usados principalmente para previsão no tempo e interpolação no espaço. Eles são úteis para entender e prever a evolução de processos ambientais, como mudanças climáticas, distribuição de espécies animais e vegetais, qualidade da água, entre outros.

A hipótese de isotropia e normalidade é uma das abordagens mais comuns para a modelagem de processos espaço-temporais. Nesta palestra, serão apresentadas inicialmente modelagens mais simples, considerando essas hipóteses, para posteriormente avançar para abordagens mais complexas e realistas, que permitem relaxar essas hipóteses. Uma abordagem de deformação espacial é usada para lidar com a anisotropia. Além disso apresentarei abordagens para a modelagem de processos univariados e multivariados