Cenários de alterações de uso e ocupação do solo até 2040 em Portugal Continental

Uma previsão de alterações futuras, assim como a simulação de cenários, podem sobretudo auxiliar e permitir uma antevisão de políticas de desenvolvimento de ordenamento do território. O desenvolvimento dos Sistemas de Informação Geográfica (SIG) nesta área permite, em conjunto com modelos espaciais, a simulação de cenários alternativos de uso e ocupação do solo com base em alterações passadas. O presente estudo consiste, numa primeira parte, na previsão em termos quantitativos do uso e ocupação do solo em Portugal Continental, utilizando um modelo de Markov para os anos de 2020, 2030 e 2040, tendo como base as alterações ocorridas entre 1990 e 2000. Este modelo permite prever a mudança de forma quantitativa do uso e ocupação do solo com base nas alterações do período imediatamente anterior. Estas previsões foram feitas para todo o território continental e detalhadamente para cada uma das cinco regiões NUTS II. Numa segunda parte, o modelo espacial de simulação de alteração de uso e ocupação do solo para o ano de 2040 foi realizado com recurso a cadeias de Markov com Autómatos Celulares e com base em Regressão Logística. Foi através do modelo, baseado em Autómatos Celulares, e após validação positiva deste, que se simularam três cenários futuros: (1) cenário de sustentabilidade ambiental; (2) cenário de desenvolvimento industrial; e (3) cenário de desertificação utilizando como referência a previsão para 2040, considerando o cenário Business-as-Usual.

THE U.S. and European M&A cycles: A Markov switching and state space approach

A Work Project, presented as part of the requirements for the Award of a Masters Degree in Finance from the NOVA – School of Business and Economics

Credit cycle identification: A Markov-switching application

A Work Project, presented as part of the requirements for the Award of a Masters Degree in Finance from the NOVA – School of Business and Economics

Predicting market direction with hidden Markov models

This paper develops the model of Bicego, Grosso, and Otranto (2008) and applies Hidden Markov Models to predict market direction. The paper draws an analogy between financial markets and speech recognition, seeking inspiration from the latter to solve common issues in quantitative investing. Whereas previous works focus mostly on very complex modifications of the original hidden markov model algorithm, the current paper provides an innovative methodology by drawing inspiration from thoroughly tested, yet simple, speech recognition methodologies. By grouping returns into sequences, Hidden Markov Models can then predict market direction the same way they are used to identify phonemes in speech recognition. The model proves highly successful in identifying market direction but fails to consistently identify whether a trend is in place. All in all, the current paper seeks to bridge the gap between speech recognition and quantitative finance and, even though the model is not fully successful, several refinements are suggested and the room for improvement is significant.