Ítem
Acceso Abierto
Modelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo
Título de la revista
Autores
Velez Hernandez, Sebastian
Fecha
2023-07-19
Directores
Castro Iragorri, Carlos Alberto
Uribe, Jonny
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
En el presente trabajo se implementan dos modelos híbridos los cuales combinan algoritmos de machine learning con los modelos econométricos clásicos para pronosticar la volatilidad del Ethereum. El primero utiliza estructuras de redes neuronales recurrentes junto con pronósticos de un GARCH(1,1), el segundo modelo aplica SVM para la estimación de los modelos GARCH. Se encuentra que ambos modelos se desempeñan mejor en el pronostico de la volatilidad que sus modelos base, adicionalmente se evalúa la eficiencia en la medición del riesgo mediante el Value at Risk en el cual solo el segundo modelo tuvo una mayor efectividad en la gestión del riesgo frente al modelo base.
Abstract
In the present study, two hybrid models are implemented, which combine machine learning algorithms with classical econometric models to forecast Ethereum volatility. The first model utilizes recurrent neural network structures in conjunction with forecasts from a GARCH(1,1) model, while the second model applies SVM for the estimation of GARCH models. It is found that both models outperform their respective base models in volatility forecasting. Additionally, the efficiency in risk measurement is evaluated using Value at Risk, in which only the second model demonstrates greater effectiveness in risk management compared to the base model.
Palabras clave
Ethereum , Pronostico de votalilidad , Aprendizaje de maquina , Redes neuronales recurrentes , Maquina de vectores de soporte , Medicion de riesgo
Keywords
Ethereum , Volatily forecast , Machine learning , Recurrent neural networks , Support vector machine , Risk measurement
