Ítem
Acceso Abierto

Modelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCastro Iragorri, Carlos Alberto
dc.contributor.advisorUribe, Jonny
dc.creatorVelez Hernandez, Sebastian
dc.creator.degreeMagíster en Finanzas Cuantitativas
dc.creator.degreeLevelMaestría
dc.creator.degreetypePart time
dc.date.accessioned2023-07-26T13:38:18Z
dc.date.available2023-07-26T13:38:18Z
dc.date.created2023-07-19
dc.descriptionEn 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.
dc.description.abstractIn 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.
dc.format.extent41
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_40229
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/40229
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de Economíaspa
dc.publisher.programMaestría en Finanzas Cuantitativasspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitation Bucci, Andrea (2020) Realized volatility forecasting with neural networks. En:Journal of Financial Econometrics; Vol. 18; No. 3; pp. 502 - 531; Oxford University Press;
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectEthereum
dc.subjectPronostico de votalilidad
dc.subjectAprendizaje de maquina
dc.subjectRedes neuronales recurrentes
dc.subjectMaquina de vectores de soporte
dc.subjectMedicion de riesgo
dc.subject.keywordEthereum
dc.subject.keywordVolatily forecast
dc.subject.keywordMachine learning
dc.subject.keywordRecurrent neural networks
dc.subject.keywordSupport vector machine
dc.subject.keywordRisk measurement
dc.titleModelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo
dc.title.TranslatedTitleHybrid models for volatility forecast and their use in risk measures
dc.typebachelorThesis
dc.type.documentTesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportFacultad de Economía
Archivos
Bloque original
Mostrando1 - 2 de 2
Miniatura
Nombre:
Modelos-Hibridos-Sebastian-Velez-Hernandez.pdf
Tamaño:
2.84 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
Modelos-Hibridos-Sebastian-Velez-Hernande-Bibliografia.ris
Tamaño:
218 B
Formato:
Descripción:
Descargar
Colecciones
Maestría en Finanzas Cuantitativas