Pronóstico de la volatilidad usando ensambles de redes neuronales basados en familias de funciones de error

En esta tesis se estudia el pronóstico de la volatilidad condicional de series de tiempo financieras mediante ensambles de pronóstico de redes neuronales artificiales. La primera contribución de esta tesis es el planteamiento de un proceso de especificación de modelos de volatilidad condicional por medio de una técnica de remuestreo por bootstrapping, donde cada modelo se estima usando diferentes funciones de error como criterios de optimización. La segunda contribución de este trabajo es la combinación no lineal de los conjuntos de pronósticos de volatilidad por medio de una red neuronal artificial, así como la aplicación del remuestreo por bootstrapping para hallar la distribución muestral de los parámetros de la red. La tercera contribución de esta tesis es la definición y aplicación empírica de un contraste estadístico de dominancia de pronósticos en combinaciones no lineales de pronósticos de volatilidad condicional para determinar la significancia de las variables de entrada de la red.

• Autores: Orozco Castañeda, Johanna Marcela
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2016
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/57511
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/57511; http://bdigital.unal.edu.co/53790/
• Palabra clave: 51 Matemáticas / Mathematics; 62 Ingeniería y operaciones afines / Engineering; Redes neuronales; Combinación de pronósticos; Series de tiempo no lineales; Volatilidad; Neural networks; Forecasts combination; Nonlinear time series; Conditional heteroskedasticity; Forecasts encompassing
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional