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:
Universidad Santo Tomás
Idioma:
spa
OAI Identifier:
oai:repository.usta.edu.co:11634/14884
Acceso en línea:
https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/13
Palabra clave:
Pronóstico; modelos híbridos; ARFIMA-HYGARCH; Descomposición Wavelet; tipos de cambio
Rights
License
Copyright (c) 2018 Comunicaciones en Estadística
id SantoToma2_8dc733c77b72cb76453a7345587f7ffd
oai_identifier_str oai:repository.usta.edu.co:11634/14884
network_acronym_str SantoToma2
network_name_str Universidad Santo Tomás
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_ 1800786406512001024