Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet

El pronóstico de series de tiempo que exhiben una estructura de segundo orden que vara en función del tiempo ha recibido especial atención debido a la dificultad de obtener buenos pronósticos, especialmente cuando existe una estructura poco homogénea al final de los datos. En este trabajo, se usa un...

Full description

Autores:: Vasquez, Michael

Tipo de recurso:

Fecha de publicación:: 2018

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:: spa

id	SANTTOMAS2_8dc733c77b72cb76453a7345587f7ffd
oai_identifier_str	oai:repository.usta.edu.co:11634/14884
network_acronym_str	SANTTOMAS2
network_name_str	Repositorio Institucional USTA
repository_id_str
spelling	Vasquez, Michael2018-12-21https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13El pronóstico de series de tiempo que exhiben una estructura de segundo orden que vara en función del tiempo ha recibido especial atención debido a la dificultad de obtener buenos pronósticos, especialmente cuando existe una estructura poco homogénea al final de los datos. En este trabajo, se usa una metodología adecuada para pronosticar series de tiempo, con un alto nivel de ruido que evidencien no estacionariedad. Especialmente, se combina la transformación wavelet discreta de máximo traslape (MODWT) con el modelo ARFIMA-HYGARCH y redes neuronales. Ambos modelos se aplican para pronosticar la tasa de cambio USD/COP. Los resultados sugieren que la metodología basada en wavelets y redes neuronales, proveen pronósticos más precisos para pronosticar una apreciación/depreciación del tipo de cambio.application/pdfspaUniversidad Santo Tomáshttps://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13/pdfComunicaciones en Estadística; Vol. 11, Núm. 2 (2018); 257-2832339-30762027-3355Comunicaciones en Estadística; Vol. 11, Núm. 2 (2018); 257-283Copyright (c) 2018 Comunicaciones en Estadísticahttp://purl.org/coar/access_right/c_abf2Predicción de series de tiempo usando un modelo híbrido basado en la descomposición waveletinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Pronóstico; modelos híbridos; ARFIMA-HYGARCH; Descomposición Wavelet; tipos de cambio11634/14884oai:repository.usta.edu.co:11634/148842023-07-14 16:37:31.942metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co
dc.title.spa.fl_str_mv	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
title	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
spellingShingle	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet Pronóstico; modelos híbridos; ARFIMA-HYGARCH; Descomposición Wavelet; tipos de cambio
title_short	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
title_full	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
title_fullStr	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
title_full_unstemmed	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
title_sort	Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet
dc.creator.fl_str_mv	Vasquez, Michael
dc.contributor.author.spa.fl_str_mv	Vasquez, Michael
dc.subject.proposal.spa.fl_str_mv	Pronóstico; modelos híbridos; ARFIMA-HYGARCH; Descomposición Wavelet; tipos de cambio
topic	Pronóstico; modelos híbridos; ARFIMA-HYGARCH; Descomposición Wavelet; tipos de cambio
description	El pronóstico de series de tiempo que exhiben una estructura de segundo orden que vara en función del tiempo ha recibido especial atención debido a la dificultad de obtener buenos pronósticos, especialmente cuando existe una estructura poco homogénea al final de los datos. En este trabajo, se usa una metodología adecuada para pronosticar series de tiempo, con un alto nivel de ruido que evidencien no estacionariedad. Especialmente, se combina la transformación wavelet discreta de máximo traslape (MODWT) con el modelo ARFIMA-HYGARCH y redes neuronales. Ambos modelos se aplican para pronosticar la tasa de cambio USD/COP. Los resultados sugieren que la metodología basada en wavelets y redes neuronales, proveen pronósticos más precisos para pronosticar una apreciación/depreciación del tipo de cambio.
publishDate	2018
dc.date.issued.spa.fl_str_mv	2018-12-21
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/article
dc.identifier.spa.fl_str_mv	https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13
url	https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.spa.fl_str_mv	https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13/pdf
dc.relation.citationissue.spa.fl_str_mv	Comunicaciones en Estadística; Vol. 11, Núm. 2 (2018); 257-283 2339-3076 2027-3355
dc.relation.citationissue.eng.fl_str_mv	Comunicaciones en Estadística; Vol. 11, Núm. 2 (2018); 257-283
dc.rights.spa.fl_str_mv	Copyright (c) 2018 Comunicaciones en Estadística
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Copyright (c) 2018 Comunicaciones en Estadística http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Santo Tomás
institution	Universidad Santo Tomás
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	noreply@usta.edu.co
_version_	1782026334072995840

Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet

Publicaciones similares