Aplicação de Séries de Fourier para análise de retornos de ativos financeiros

As Séries de Fourier permitiram o advento de tecnologias aplicadas em diversas áreas do conhecimento ao proporcionar uma melhor compreensão do comportamento de séries de dados, decompondo-as em diversas harmônicas independentes. Poucos estudos foram encontrados aplicando tal ferramenta matemática para analisar séries de retornos de títulos financeiros. Este trabalho pesquisou - através de análise discreta de Fourier – o comportamento dos retornos de quatro ativos: Dow Jones, Ibovespa, e duas ações da Bolsa brasileira. Cotações mensais, diárias e de dez minutos (intraday) foram utilizadas. Além do espectro estático, registrou-se também a dinâmica dos coeficientes das harmônicas de Fourier. Os resultados indicaram a validade da forma fraca de eficiência de mercado para o curto prazo, dado que as harmônicas de período curto apresentaram comportamento aleatório. Por outro lado, o comportamento das harmônicas de longo prazo (período longo) apresentou maior correlação serial, sugerindo que no longo prazo o mercado não se comporta de acordo com o modelo Random Walk. Uma aplicação derivada deste estudo é a determinação do número de fatores necessários para uma modelagem via Precificação por Arbitragem (APT), dado um nível de correlação desejado.

Graphical models and point set matching

Point pattern matching in Euclidean Spaces is one of the fundamental problems in Pattern Recognition, having applications ranging from Computer Vision to Computational Chemistry. Whenever two complex patterns are encoded by two sets of points identifying their key features, their comparison can be seen as a point pattern matching problem. This work proposes a single approach to both exact and inexact point set matching in Euclidean Spaces of arbitrary dimension. In the case of exact matching, it is assured to find an optimal solution. For inexact matching (when noise is involved), experimental results confirm the validity of the approach. We start by regarding point pattern matching as a weighted graph matching problem. We then formulate the weighted graph matching problem as one of Bayesian inference in a probabilistic graphical model. By exploiting the existence of fundamental constraints in patterns embedded in Euclidean Spaces, we prove that for exact point set matching a simple graphical model is equivalent to the full model. It is possible to show that exact probabilistic inference in this simple model has polynomial time complexity with respect to the number of elements in the patterns to be matched. This gives rise to a technique that for exact matching provably finds a global optimum in polynomial time for any dimensionality of the underlying Euclidean Space. Computational experiments comparing this technique with well-known probabilistic relaxation labeling show significant performance improvement for inexact matching. The proposed approach is significantly more robust under augmentation of the sizes of the involved patterns. In the absence of noise, the results are always perfect.