Disertación presentada en el marco del Programa Interinstitucional de Posgrado entre la Universidade de São Paulo y Universidade Federal de São Carlos.Realiza una comparación de algoritmos para el análisis de modelos GARCH con distribuciones asimétricas. En las últimas décadas, la volatilidad se ha convertido en un concepto muy importante en el área financiera, siendo utilizado para medir el riesgo de los instrumentos financieros. En este trabajo, el enfoque del estudio es la modelización de la volatilidad, que se refiere a la variabilidad de los retornos, que es una característica presente en las series temporales financieras. Como herramienta de modelado fundamental utilizaremos el modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity), que utiliza la heterocedasticidad condicional como medida de volatilidad. Se considerarán dos características principales a modelar para obtener un mejor ajuste y pronóstico de volatilidad, estas son: asimetría y colas pesadas presentes en la distribución incondicional de la serie de retornos. La estimación de los parámetros de los modelos propuestos se realizará utilizando el enfoque bayesiano con la metodología MCMC (Markov Chain Monte Carlo) específicamente el algoritmo Metropolis-Hastings.Nas últimas décadas a volatilidade transformou-se num conceito muito importante na área financeira, sendo utilizada para mensurar o risco de instrumentos financeiros. Neste trabalho, o foco de estudo é a modelagem da volatilidade, que faz referência à variabilidade dos retornos, sendo esta uma característica presente nas séries temporais financeiras. Como ferramenta fundamental da modelação usaremos o modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity), que usa a heterocedasticidade condicional como uma medida da volatilidade. Considerar-se-ão duas características principais a ser modeladas com o propósito de obter um melhor ajuste e previsão da volatilidade, estas são: a assimetria e as caudas pesadas presentes na distribuição incondicional da série dos retornos. A estimação dos parâmetros dos modelos propostos será feita utilizando a abordagem Bayesiana com a metodologia MCMC (Markov Chain Monte Carlo) especificamente o algoritmo de Metropolis-Hastings.Brasil. Ministério da Educação. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes)