Ítem
Acceso Abierto

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

Mostrar el registro sencillo de la publicación
dc.contributor.advisorRamírez Jaime, Hugo Eduardo
dc.creatorQuintero Valencia, Daniel Enrique
dc.creator.degreeMagíster en Finanzas Cuantitativasspa
dc.creator.degreetypeFull timespa
dc.date.accessioned2020-01-15T16:12:42Z
dc.date.available2020-01-15T16:12:42Z
dc.date.created2019-12-04
dc.descriptionEn 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.spa
dc.description.abstractThis 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.spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_20708
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/20708
dc.language.isospaspa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de Economíaspa
dc.publisher.programMaestría en Finanzas Cuantitativasspa
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 Colombiaspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
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-sa/2.5/co/
dc.source.bibliographicCitationAndersen, Torben G y col. (2001). «The distribution of realized stock return volatility». En: Journal of financial economics 61.1, págs. 43-76spa
dc.source.bibliographicCitationBanco de la República (s.f.). Tasa Representativa del Mercado. https://www.banrep. gov.co/es/estadisticas/trm. Accedido 08-11-2019.spa
dc.source.bibliographicCitationBrownlee, Jason (2017). Multivariate Time Series Forecasting with LSTMs in Keras. https://machinelearningmastery.com/multivariate-time-seriesforecasting-lstms-keras/. Accedido 02-07-2019.spa
dc.source.bibliographicCitationBucci, Andrea (2019). Realized Volatility Forecasting with Neural Networks. MPRA Paper. url: https://ideas.repec.org/p/pra/mprapa/95443.html.spa
dc.source.bibliographicCitationChollet, François y col. (2015). Keras. https://keras.io.spa
dc.source.bibliographicCitationCorredor Velandia, César Augusto y Stefano Vega Mazzeo (2012). «Análisis de corto plazo del contagio de variables y noticias financieras en estados unidos y Colombia». En: Revista de Economía del Caribe 9.spa
dc.source.bibliographicCitationEngle, Robert F y Andrew J Patton (2007). «What good is a volatility model?» En: Forecasting volatility in the financial markets. Elsevier, págs. 47-63spa
dc.source.bibliographicCitationFischer, Thomas y Christopher Krauss (2018). «Deep learning with long short-term memory networks for financial market predictions». En: European Journal of Operational Research 270.2, págs. 654-669.spa
dc.source.bibliographicCitationGéron, Aurélien (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. O’Reilly Media, Inc.spa
dc.source.bibliographicCitationKim, Ha Young y Chang Hyun Won (2018). «Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models». En: Expert Systems with Applications 103, págs. 25-37.spa
dc.source.bibliographicCitationKingma, Diederik P. y Jimmy Ba (2014). Adam: A Method for Stochastic Optimization. arXiv: 1412.6980[cs.LG].spa
dc.source.bibliographicCitationKristjanpoller, Werner y Marcel C Minutolo (2016). «Forecasting volatility of oil price using an artificial neural network-GARCH model». En: Expert Systems with Applications 65, págs. 233-241.spa
dc.source.bibliographicCitationNelson, David MQ, Adriano CM Pereira y Renato A de Oliveira (2017). «Stock market’s price movement prediction with LSTM neural networks». En: 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, págs. 1419-1426.spa
dc.source.bibliographicCitationOlah, Christopher (2015). Understanding LSTM networks. https://colah.github. io/posts/2015-08-Understanding-LSTMs/. Accedido 06-11-2019.spa
dc.source.bibliographicCitationParra Barrios, Alberto (2019). «Impacto de las decisiones de política monetaria de la FED en indicadores de la economía colombiana durante el periodo 2007-2015». En: Revista Finanzas y Política Económica, Vol. 11, no. 1 (ene.–jun.) p. 149-182.spa
dc.source.bibliographicCitationPetneházi, Gábor y József Gáll (2019). «Exploring the predictability of range-based volatility estimators using recurrent neural networks». En: Intelligent Systems in Accounting, Finance and Management.spa
dc.source.bibliographicCitationSheppard, Kevin (2019). Financial Econometrics Notes. https://www.kevinsheppard.com/teaching/mfe/notes/.spa
dc.source.bibliographicCitationSiami-Namini, Sima, Neda Tavakoli y Akbar Siami Namin (2018). «A Comparison of ARIMA and LSTM in Forecasting Time Series». En: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, págs. 1394-1401.spa
dc.source.bibliographicCitationSrivastava, Nitish y col. (2014). «Dropout: a simple way to prevent neural networks from overfitting». En: The journal of machine learning research 15.1, págs. 1929-1958.spa
dc.source.bibliographicCitationSuárez, Álvaro Andrés Cámaro y col. (2006). «Una aproximación empírica en la relación entre las tasas de interés de los TES TF y el tipo de cambio en Colombia». En: INNOVAR. Revista de Ciencias Administrativas y Sociales 16.27, págs. 47-55.spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectPronóstico de volatilidadspa
dc.subjectDeep learningspa
dc.subjectLSTMspa
dc.subjectGARCHspa
dc.subjectTRMspa
dc.subjectTasa de cambiospa
dc.subject.ddcProbabilidades & matemáticas aplicadasspa
dc.subject.keywordVolatility forecastspa
dc.subject.keywordDeep learningspa
dc.subject.keywordLSTMspa
dc.subject.keywordGARCHspa
dc.subject.keywordTRMspa
dc.subject.keywordForeign Exchangespa
dc.subject.lembAnálisis financierospa
dc.subject.lembAnálisis de series de tiempo - Modelos matemáticosspa
dc.subject.lembTeoría del aprendizaje computacionalspa
dc.titlePronóstico de volatilidad de la TRM mediante un modelo híbrido LSTM-GARCHspa
dc.typemasterThesiseng
dc.type.documentTesisspa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestríaspa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
QuinteroValencia-DanielEnrique-2019.pdf
Tamaño:
733.13 KB
Formato:
Adobe Portable Document Format
Descripción:
Documento principal
Descargar
Colecciones
Maestría en Finanzas Cuantitativas