Ítem
Acceso Abierto
Pronóstico de volatilidad de la TRM mediante un modelo híbrido LSTM-GARCH
Título de la revista
Autores
Quintero Valencia, Daniel Enrique
Archivos
Fecha
2019-12-04
Directores
Ramírez Jaime, Hugo Eduardo
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
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.
Abstract
This work proposes a hybrid LSTM-GARCH model to forecast the volatility of the USD-COP exchange rate, known as tasa representativa del mercado (TRM). This model is a LSTM recurrent neural network which includes coefficients of time series models GARCH, EGARCH and EWMA for the TRM as explanatory variables, according to the framework from Kim et al. 2018. Both GARCH and LSTM models are estimated with historical data from 2008 to June 2018, and the estimated forecasts are contrasted with data from July 2018 to July 2019. The acquired forecasts are compared using various linear and nonlinear error measures. The inclusion of coefficients from GARCH and EGARCH models is shown to improve the accuracy of hybrid LSTM-GARCH model predictions compared to a standard LSTM model.
Palabras clave
Pronóstico de volatilidad , Deep learning , LSTM , GARCH , TRM , Tasa de cambio
Keywords
Volatility forecast , Deep learning , LSTM , GARCH , TRM , Foreign Exchange
