Orientadores: Luiz Koodi Hotta, Esther Ruiz OrtegaTese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação CientíficaResumo: A tese está composta por três ensaios que abordam o problema de construir densidades de previsão em modelos de volatilidade. Os dois primeiros ensaios abordam o problema num contexto de modelos de volatilidade univariados, enquanto que o último ensaio aborda o problema num contexto de modelos de volatilidade multivariados. Em todos os ensaios as metodologias propostas são implementadas e aplicadas a dados empíricos. No primeiro ensaio, intitulado Bootstrap prediction in univariate volatility models with leverage effect, é proposto um algoritmo para obter intervalos de previsões para retornos e volatilidades nos modelos de volatilidade univariados EGARCH e GJR-GARCH. Esse algoritmo é uma extensão do algoritmo de Pascual, Romo e Ruiz (Computational Statistics & Data Analysis, 2006, v50:2293-2312) (PRR) desenvolvido para obter intervalos de previsões dos retornos e volatilidades no modelo GARCH; ainda neste ensaio é observado que tanto o algoritmo PRR, quanto a nossa extensão para os modelos EGARCH e GJRGARCH, podem ser drasticamente afetados na presença de observações atípicas (artigo publicado no Mathematics and Computer in Simulation, 2016, v 120:91-103). No segundo ensaio, intitulado Robust bootstrap forecast densities for GARCH returns and volatilities, é proposto um algoritmo robusto para obter densidades de previsões para retornos e volatilidades no modelo GARCH, que torna o algoritmo de PRR mais robusto e, ao mesmo tempo, mostra um bom desempenho em séries contaminadas e não contaminadas por outliers. O terceiro ensaio, intitulado Robust bootstrap densities for dynamic conditional correlations, apresenta um algoritmo robusto para obter densidades de previsões para retornos, volatilidades e correlações no contexto do modelo cDCC (corrected dynamic conditional correlation). Adicionalmente, o terceiro ensaio também apresenta um algoritmo para obter densidades de previsões para o valor em risco de carteirasAbstract: This Ph.D dissertation consists of three essays that address the problem of obtaining forecast densities in volatility models. The first two essays deal with the problem in a context of univariate volatility models while the latter one addresses the problem in a multivariate context. In all essays the proposed methodologies are implemented and applied to empirical data. The first essay, "Bootstrap prediction in univariate volatility models with leverage effect", proposes an algorithm to construct forecast intervals for returns and volatilities for the EGARCH and GJR-GARCH univariate volatility models. This algorithm is an extension of Pascual Romo and Ruiz (Computational Statistics & Data Analysis, 2006, v 50:2293-2312) (PRR) algorithm developed to obtain forecast intervals for returns and volatilities for the GARCH model. In addition, it is observed that both PRR algorithm and our extensions to the EGARCH and GJR-GARCH models can be drastically affected by the presence of outliers (paper published in Mathematics and Computer in Simulation, 2016, v 120:91-103). The second essay, "Robust bootstrap forecast densities for GARCH returns and volatilities", proposes a robust algorithm to obtain forecast densities for returns and volatilities in GARCH models. This algorithm robustifies the procedure of PRR and shows a good finite sample properties for contaminated and uncontaminated series. Finally, the third essay, "Robust bootstrap densities for dynamic conditional correlations models", presents a robust algorithm to obtain forecasts densities for returns, volatilities and also conditional correlations in the context of cDCC model (corrected dynamic conditional correlation). In addition, the third essay also presents an algorithm to obtain forecast densities for Value-at-Risk of portfoliosDoutoradoEstatisticaDoutor em Estatística2012/09596-0, 2013/23524-5FAPESP