Ítem
Acceso Abierto
Modelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo
dc.contributor.advisor | Castro Iragorri, Carlos Alberto | |
dc.contributor.advisor | Uribe, Jonny | |
dc.creator | Velez Hernandez, Sebastian | |
dc.creator.degree | Magíster en Finanzas Cuantitativas | |
dc.creator.degreeLevel | Maestría | |
dc.creator.degreetype | Part time | |
dc.date.accessioned | 2023-07-26T13:38:18Z | |
dc.date.available | 2023-07-26T13:38:18Z | |
dc.date.created | 2023-07-19 | |
dc.description | 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. | |
dc.description.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. | |
dc.format.extent | 41 | |
dc.format.mimetype | application/pdf | |
dc.identifier.doi | https://doi.org/10.48713/10336_40229 | |
dc.identifier.uri | https://repository.urosario.edu.co/handle/10336/40229 | |
dc.language.iso | spa | |
dc.publisher | Universidad del Rosario | spa |
dc.publisher.department | Facultad de Economía | spa |
dc.publisher.program | Maestría en Finanzas Cuantitativas | spa |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.accesRights | info:eu-repo/semantics/openAccess | |
dc.rights.acceso | Abierto (Texto Completo) | |
dc.rights.licencia | EL 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.uri | http://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.instname | instname:Universidad del Rosario | |
dc.source.reponame | reponame:Repositorio Institucional EdocUR | |
dc.subject | Ethereum | |
dc.subject | Pronostico de votalilidad | |
dc.subject | Aprendizaje de maquina | |
dc.subject | Redes neuronales recurrentes | |
dc.subject | Maquina de vectores de soporte | |
dc.subject | Medicion de riesgo | |
dc.subject.keyword | Ethereum | |
dc.subject.keyword | Volatily forecast | |
dc.subject.keyword | Machine learning | |
dc.subject.keyword | Recurrent neural networks | |
dc.subject.keyword | Support vector machine | |
dc.subject.keyword | Risk measurement | |
dc.title | Modelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo | |
dc.title.TranslatedTitle | Hybrid models for volatility forecast and their use in risk measures | |
dc.type | bachelorThesis | |
dc.type.document | Tesis | |
dc.type.hasVersion | info:eu-repo/semantics/acceptedVersion | |
dc.type.spa | Trabajo de grado | |
local.department.report | Facultad de Economía |