Pronóstico de volatilidad de la TRM mediante un modelo híbrido LSTM-GARCH

En este trabajo se propone un modelo híbrido LSTM-GARCH para el pronóstico de la volatilidad de la tasa representativa del mercado (TRM). Este modelo es una red neuronal recurrente LSTM, en la cual se incluyen como variables explicativas los coeficientes de modelos de series de tiempo GARCH, EGARCH y EWMA para la TRM, de acuerdo a la metodología de Kim y col. 2018. Tanto los modelos GARCH como el modelo LSTM se estiman con datos históricos desde el año 2008 hasta junio de 2018, y los pronósticos generados se contrastan con datos desde julio 2018 a julio 2019. Los resultados se comparan utilizando varias medidas de error lineales y no-lineales. Se evidencia que la inclusión de los coeficientes de los modelos GARCH y EGARCH mejora la precisión de las predicciones del modelo híbrido LSTM comparado con un modelo LSTM estándar.

Grantor dc:publisher

Universidad del Rosario

Year dc:date

2019

Author dc:creator

• Quintero Valencia, Daniel Enrique

• Pronóstico de volatilidad
• Deep learning
• LSTM
• GARCH
• TRM
• Tasa de cambio
• Probabilidades & matemáticas aplicadas
• Volatility forecast
• Foreign Exchange
• Análisis financiero
• Análisis de series de tiempo - Modelos matemáticos
• Teoría del aprendizaje computacional

Statement dc:rights

• info:eu-repo/semantics/openAccess

Licence

• http://creativecommons.org/licenses/by-nc-sa/2.5/co/

Language dc:language

spa

Identifier

https://repository.urosario.edu.co/handle/10336/20708

OAI identifier oai:identifier

oai:repository.urosario.edu.co:10336/20708