Modelos híbridos para el pronostico de volatilidad y su uso en medidas de riesgo
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...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/40229
- Acceso en línea:
- https://doi.org/10.48713/10336_40229
https://repository.urosario.edu.co/handle/10336/40229
- Palabra clave:
- Ethereum
Pronostico de votalilidad
Aprendizaje de maquina
Redes neuronales recurrentes
Maquina de vectores de soporte
Medicion de riesgo
Ethereum
Volatily forecast
Machine learning
Recurrent neural networks
Support vector machine
Risk measurement
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| Summary: | 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. |
|---|