Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC
ilustraciones, diagramas
- Autores:
-
Lopera Hernández, Walter David
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84122
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
330 - Economía::332 - Economía financiera
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
Capital market
Neural networks (Computer science)
Mercado financiero
Redes Neurales (Computadores)
Volatilidad
Retorno
Covarianza
Red neuronal
Matriz
Retropropagación
Volatility
Return
Covariance
Neural network
Matrix
Backpropagation
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_21d458c58083679c147f08f66e1e69ef |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84122 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| dc.title.translated.eng.fl_str_mv |
Comparison of methodologies based on an artificial neural network and a GARCH model for forecasting the volatility of the price of shares listed on the BVC |
| title |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| spellingShingle |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Capital market Neural networks (Computer science) Mercado financiero Redes Neurales (Computadores) Volatilidad Retorno Covarianza Red neuronal Matriz Retropropagación Volatility Return Covariance Neural network Matrix Backpropagation |
| title_short |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| title_full |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| title_fullStr |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| title_full_unstemmed |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| title_sort |
Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC |
| dc.creator.fl_str_mv |
Lopera Hernández, Walter David |
| dc.contributor.advisor.none.fl_str_mv |
Gómez Vélez, César Augusto |
| dc.contributor.author.none.fl_str_mv |
Lopera Hernández, Walter David |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Investigación en Estadística Universidad Nacional de Colombia, Sede Medellín |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Capital market Neural networks (Computer science) Mercado financiero Redes Neurales (Computadores) Volatilidad Retorno Covarianza Red neuronal Matriz Retropropagación Volatility Return Covariance Neural network Matrix Backpropagation |
| dc.subject.lemb.eng.fl_str_mv |
Capital market Neural networks (Computer science) |
| dc.subject.lemb.spa.fl_str_mv |
Mercado financiero Redes Neurales (Computadores) |
| dc.subject.proposal.spa.fl_str_mv |
Volatilidad Retorno Covarianza Red neuronal Matriz Retropropagación |
| dc.subject.proposal.eng.fl_str_mv |
Volatility Return Covariance Neural network Matrix Backpropagation |
| description |
ilustraciones, diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-04T14:11:47Z |
| dc.date.available.none.fl_str_mv |
2023-07-04T14:11:47Z |
| dc.date.issued.none.fl_str_mv |
2023-06-30 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/84122 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/84122 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Alberto Ruiz, Carlos Basualdo, M. S. . M. D. J. Redes neuronales: conceptos Básicos y aplicaciones. 2001 Arana, C. Redes neuronales recurrentes:análisis de los modelos especializados en datos secuenciales. Econstor Documento de trabajo Nro 797 (2021), 1–25. Bancolombia. https://www.bancolombia.com/, 2023 Bernaldo de Quirós, M. R. Análisis de líneas de costa con redes neuronales LSTM. Master’s thesis, Universitat Obera de Catalunya, 2020. Bollerslev, T. Generalized autoregressive conditional heteroscedasticity. Econometrics (1986), 27–307. Campbell, J., and Viceira, L. Consumption and portfolio decisions when expected returns are time varying. Q J Econ 114(2) (1999), 433–95. Carrillo Ríoz, J. L. Análisis de volatilidad de precios de las acciones del banco del Pichincha utilizando el modelo arch. Master’s thesis, Universidad Técnica de Ambato, 2017. Charu C., A. Neural Networks and Deep Learning. Springer, Yorktown Heights, NY, USA, 2018. Cheong, C. W. Modeling and forecasting crude oil markets using arch-type models. Energy Policy 37 (2009), 2346–2355. Corficol. https://www.corficolombiana.com/, 2023. Cruz Zúñiga, M., and Ramírez Tapia, D. L. El efecto de la incertidumbre real, la inlfación y el crecimiento económico en Mexíco y Brasil: evidencia empírica con modelos garch bivariados con correlación condicional constante (1985-2019). Master’s thesis, Universidad Autónoma del Estado de México, 2021. de Valores de Colombia, B. https://www.bvc.com.co/, Junio 2020. Dhaene, G., and Wu, J. Incorporating overnight and intraday returns into multivariate garch volatility models. Journal of Econometrics 217 (2020), 471–495. Engle, R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrics 20 (1982), 987–1008. Escobar-Anel, M., Gollart, M., and Zagst, R. Closed-form portfolio optimization under garch models. Operations Research Perspectives 9 (2022), 100–216. Escobar-Anel, M., Rastegari, J., and Stentoft, L. Affine multivariate garch models. Journal of Banking and Finance 118 (2020). Galarza Hernández, J. Reducción de dimensionalidad en machine learning. Master’s thesis, Universidad Politécnica de Valencia, 2017. Giraldo Picón, E. L. Pronóstico de volatilidades a los rendimientos de activos financieros de renta variable en Colombia a través de modelos arch y garch. Master’s thesis, Universidad Nacional de Colombia, 2022. Guamán Pachacama, J. A., and Noz Génesis Bridggitte, S. M. Red neuronal long short-term memory (lstm) aplicada a series temporales para pronosticar consumo energético en edificaciones. Master’s thesis, Universidad de Guayaquil, 2020. Guo, Z.-Y. Risk management of bitcoin futures with garch models. Finance Research Letters 45 (2022), 102–197. Hilera, J. R., and Matínez, V. J. Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. RA-MA, Madrid, 1995. Hull, J. Options, futures, and other derivatives. Prentice Hall (2012). Isa. https://www.isa.co/es/, 2022. James, G., Witten, D., Hastie, T., and Tibshirani, R. An Introduction to Statistical Learning With application in R, 2021. James, H., and Marck, M. W. Introducción a la econometría. PEARSON, Madrid, 2012. Kim, H. Y., and Won, C. H. Forecasting the volatility of stock price index: A hybrid model integrating lstm with multiple garch-type models. Elsevier 103 (2018), 25–37. López Villa, Jorge Sosa Castro, M. Volatilidad condicional y correlación dinámica entre los mercados cambiarios y de valores en México (2009-2019): una aproximación garch-dcc. Azcapotzalco 10 (2020), 195–220. Márquez Cebrián, C. M. Modelo SETAR aplicado a la volatilidad de la rentabilidad de las acciones: algoritmos para su identificación. Tesis de doctorado, Universidad Politécnica de Cataluya, 2002. McNeil, A. F., Frey, R., and Embrechts, P. Quantitative Risk Management. PSF, New Jersey, 2015. Mei-Li, S., Cheng-Feng, L., Hsiou-Hsiang, L., Po-Yin, C., and Cheng-Hong, Y. Effective multinational trade forecasting using lstm recurrent neural network. Expert Systems With Applications 182 (2021). Melo Velandia, Luis Fernando Becerra Camargo, O. R. Una aproximación a la dinámica de las tasas de interés de corto plazo en colombia a través de modelos garch multivariados. Banco de la República (2006). Morales Castro, J. A. Factores de influyen en las acciones sustentables de la bolsa mexicana de valores. Escritos Contables y de Administración 7 (2016), 15–47. Muñoz, José Julián Torres, D. E. Construcción de un portafolio de inversión de renta variable y tes mediante modelos de volatilidad para un perfil de riesgo determinado. Master’s thesis, Escuela de Economía y Finanzas, 2014. Nor Syahilla, A. A., Vrontos, S., and Haslifah, M. H. Evaluation of multivariate garch models in an optimal asset allocation framework. North American Journal of Economics and Finance 47 (2019), 568–596. Quintero Valencia, D. E. Pronóstico de volatilidad de la trm mediante un modelo híbrido lstm-garch. Master’s thesis, Universidad del Rosario, 2019. Regueiro, C. V., Barro, S., Sánchez, E., and Fernández-Delgado, M. Modelos básicos de redes neuronales artificiales. Universidad de Santiago de Compostela VII (1995), 181–218. Rojas, A. E., and Palacios, Y. A. Modelos arch: una aplicación en el pronóstico de la volatilidad de acciones cotizadas en la bolsa de valores de Lima. PESQUIMAT VII, Nro 1 (2004), 64–79. Ruiz Espejo, M. Estimación de la desviación estándar. Estadística Española 59 (2017), 37–44. Sánchez V., A., and Reyes M., O. Regularidades probabilísticas de las series financieras y la familia de modelos garch. Ciencia Ergo Sum 13 (2006), 149–156. Sura, G. https://www.gruposura.com/, 2023. Team, R. C. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 1993. Van Rossum, G., and Drake Jr, F. L. Python 3 Reference Manual. Python Software Foundation, Scotts Valley, CA, 2009. Yao, Y., Zhao, Y., and Li, Y. A volatility model based on adaptive expectation: An improvement on the rational expectation model. International Review of Financial Analysis 82 (2022). |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xiii, 85 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Ciencias - Maestría en Ciencias - Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/84122/3/license.txt https://repositorio.unal.edu.co/bitstream/unal/84122/4/8431831.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/84122/5/8431831.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 4b0a3a191cb57f56d0c22274b7076972 13953593ad13e191d30793635224911e |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1812169730011693056 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Gómez Vélez, César Augusto5f313d9d6a03f53f290c99eff12913a8Lopera Hernández, Walter Davida93a8356af31d400af827a66c70f0cc5Grupo de Investigación en Estadística Universidad Nacional de Colombia, Sede Medellín2023-07-04T14:11:47Z2023-07-04T14:11:47Z2023-06-30https://repositorio.unal.edu.co/handle/unal/84122Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasLa volatilidad y de manera más general la covarianza de los precios de las acciones es de gran interés para medir los posibles riesgos que pueda tener la compra y venta de éstas, además de proporcionar datos para determinar su rentabilidad. La escasa literatura sobre la implementación de modelos DCC-MGARCH (dynamic conditional correlation GARCH Multivariate) y RN-LSTM (long - short term memory recurrent network) en el mercado financiero colombiano para el pronóstico de la volatilidad de las acciones, llevó a la realización de este trabajo, en el que se comparan estos dos modelos utilizando los softwares R (R Core Team, 1990) y Python (Van Rossum & Drake Jr, 2009), para el pronóstico de la volatilidad del precio de cuatro acciones. Con los datos suministrados se estimaron las volatilidades y covarianzas para luego realizar pronósticos con ambas herramientas y realizar una comparación entre ambas. Del estudio se encontró que el desempeño de ambas metodologías tienen gran similitud, aunque algunas medidas del error de los pronósticos fueron levemente mejor con la RN-LSTM y otras con el modelo DCC-GARCH. Con el objetivo de profundizar más en los análisis de estas volatilidades es adecuado incrementar la cantidad de activos para conocer la incidencia que pueden llegar tener cada uno de éstas en los cálculos de las covarianzas. (Texto tomado de la fuente)The volatility and more generally the covariance of share prices is of great interest to measure the possible risks that the purchase and sale of these may have, in addition to providing data to determine their profitability. The scant literature on the implementation of DCCMGARCH (dynamic conditional correlation GARCH Multivariate) and RN-LSTM (long - short term memory recurrent network) models in the Colombian financial market for stock volatility forecasting led to the realization of this work, in which these two models are compared using R (R Core Team, 1990) and Python (Van Rossum & Drake Jr, 2009) software for forecasting the price volatility of four shares. With a total of 488 data, the volatilities and covariances were estimated to then make a forecast with both tools and make a comparison between them. The study found that the performance of both methodologies is somewhat similar, although some forecast error measures were slightly better with the RN-LSTM and others with the DCC-GARCH model. It is appropriate to establish a broader range of dates to determine the influence of other factors and increase the amount of assets to know the incidence that each one of these has on the othersMaestríaMagíster en Ciencias - EstadísticaMétodos estadísticos aplicados a finanzasÁrea Curricular Estadísticaxiii, 85 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Ciencias - Maestría en Ciencias - EstadísticaFacultad de CienciasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores330 - Economía::332 - Economía financiera510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasCapital marketNeural networks (Computer science)Mercado financieroRedes Neurales (Computadores)VolatilidadRetornoCovarianzaRed neuronalMatrizRetropropagaciónVolatilityReturnCovarianceNeural networkMatrixBackpropagationComparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVCComparison of methodologies based on an artificial neural network and a GARCH model for forecasting the volatility of the price of shares listed on the BVCTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMRedColLaReferenciaAlberto Ruiz, Carlos Basualdo, M. S. . M. D. J. Redes neuronales: conceptos Básicos y aplicaciones. 2001Arana, C. Redes neuronales recurrentes:análisis de los modelos especializados en datos secuenciales. Econstor Documento de trabajo Nro 797 (2021), 1–25.Bancolombia. https://www.bancolombia.com/, 2023Bernaldo de Quirós, M. R. Análisis de líneas de costa con redes neuronales LSTM. Master’s thesis, Universitat Obera de Catalunya, 2020.Bollerslev, T. Generalized autoregressive conditional heteroscedasticity. Econometrics (1986), 27–307.Campbell, J., and Viceira, L. Consumption and portfolio decisions when expected returns are time varying. Q J Econ 114(2) (1999), 433–95.Carrillo Ríoz, J. L. Análisis de volatilidad de precios de las acciones del banco del Pichincha utilizando el modelo arch. Master’s thesis, Universidad Técnica de Ambato, 2017.Charu C., A. Neural Networks and Deep Learning. Springer, Yorktown Heights, NY, USA, 2018.Cheong, C. W. Modeling and forecasting crude oil markets using arch-type models. Energy Policy 37 (2009), 2346–2355.Corficol. https://www.corficolombiana.com/, 2023.Cruz Zúñiga, M., and Ramírez Tapia, D. L. El efecto de la incertidumbre real, la inlfación y el crecimiento económico en Mexíco y Brasil: evidencia empírica con modelos garch bivariados con correlación condicional constante (1985-2019). Master’s thesis, Universidad Autónoma del Estado de México, 2021.de Valores de Colombia, B. https://www.bvc.com.co/, Junio 2020.Dhaene, G., and Wu, J. Incorporating overnight and intraday returns into multivariate garch volatility models. Journal of Econometrics 217 (2020), 471–495.Engle, R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrics 20 (1982), 987–1008.Escobar-Anel, M., Gollart, M., and Zagst, R. Closed-form portfolio optimization under garch models. Operations Research Perspectives 9 (2022), 100–216.Escobar-Anel, M., Rastegari, J., and Stentoft, L. Affine multivariate garch models. Journal of Banking and Finance 118 (2020).Galarza Hernández, J. Reducción de dimensionalidad en machine learning. Master’s thesis, Universidad Politécnica de Valencia, 2017.Giraldo Picón, E. L. Pronóstico de volatilidades a los rendimientos de activos financieros de renta variable en Colombia a través de modelos arch y garch. Master’s thesis, Universidad Nacional de Colombia, 2022.Guamán Pachacama, J. A., and Noz Génesis Bridggitte, S. M. Red neuronal long short-term memory (lstm) aplicada a series temporales para pronosticar consumo energético en edificaciones. Master’s thesis, Universidad de Guayaquil, 2020.Guo, Z.-Y. Risk management of bitcoin futures with garch models. Finance Research Letters 45 (2022), 102–197.Hilera, J. R., and Matínez, V. J. Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. RA-MA, Madrid, 1995.Hull, J. Options, futures, and other derivatives. Prentice Hall (2012).Isa. https://www.isa.co/es/, 2022.James, G., Witten, D., Hastie, T., and Tibshirani, R. An Introduction to Statistical Learning With application in R, 2021.James, H., and Marck, M. W. Introducción a la econometría. PEARSON, Madrid, 2012.Kim, H. Y., and Won, C. H. Forecasting the volatility of stock price index: A hybrid model integrating lstm with multiple garch-type models. Elsevier 103 (2018), 25–37.López Villa, Jorge Sosa Castro, M. Volatilidad condicional y correlación dinámica entre los mercados cambiarios y de valores en México (2009-2019): una aproximación garch-dcc. Azcapotzalco 10 (2020), 195–220.Márquez Cebrián, C. M. Modelo SETAR aplicado a la volatilidad de la rentabilidad de las acciones: algoritmos para su identificación. Tesis de doctorado, Universidad Politécnica de Cataluya, 2002.McNeil, A. F., Frey, R., and Embrechts, P. Quantitative Risk Management. PSF, New Jersey, 2015.Mei-Li, S., Cheng-Feng, L., Hsiou-Hsiang, L., Po-Yin, C., and Cheng-Hong, Y. Effective multinational trade forecasting using lstm recurrent neural network. Expert Systems With Applications 182 (2021).Melo Velandia, Luis Fernando Becerra Camargo, O. R. Una aproximación a la dinámica de las tasas de interés de corto plazo en colombia a través de modelos garch multivariados. Banco de la República (2006).Morales Castro, J. A. Factores de influyen en las acciones sustentables de la bolsa mexicana de valores. Escritos Contables y de Administración 7 (2016), 15–47.Muñoz, José Julián Torres, D. E. Construcción de un portafolio de inversión de renta variable y tes mediante modelos de volatilidad para un perfil de riesgo determinado. Master’s thesis, Escuela de Economía y Finanzas, 2014.Nor Syahilla, A. A., Vrontos, S., and Haslifah, M. H. Evaluation of multivariate garch models in an optimal asset allocation framework. North American Journal of Economics and Finance 47 (2019), 568–596.Quintero Valencia, D. E. Pronóstico de volatilidad de la trm mediante un modelo híbrido lstm-garch. Master’s thesis, Universidad del Rosario, 2019.Regueiro, C. V., Barro, S., Sánchez, E., and Fernández-Delgado, M. Modelos básicos de redes neuronales artificiales. Universidad de Santiago de Compostela VII (1995), 181–218.Rojas, A. E., and Palacios, Y. A. Modelos arch: una aplicación en el pronóstico de la volatilidad de acciones cotizadas en la bolsa de valores de Lima. PESQUIMAT VII, Nro 1 (2004), 64–79.Ruiz Espejo, M. Estimación de la desviación estándar. Estadística Española 59 (2017), 37–44.Sánchez V., A., and Reyes M., O. Regularidades probabilísticas de las series financieras y la familia de modelos garch. Ciencia Ergo Sum 13 (2006), 149–156.Sura, G. https://www.gruposura.com/, 2023.Team, R. C. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 1993.Van Rossum, G., and Drake Jr, F. L. Python 3 Reference Manual. Python Software Foundation, Scotts Valley, CA, 2009.Yao, Y., Zhao, Y., and Li, Y. A volatility model based on adaptive expectation: An improvement on the rational expectation model. International Review of Financial Analysis 82 (2022).BibliotecariosEstudiantesGrupos comunitariosInvestigadoresMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84122/3/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD53ORIGINAL8431831.2023.pdf8431831.2023.pdfTesis de Maestría en Ciencias - Estadísticaapplication/pdf1472608https://repositorio.unal.edu.co/bitstream/unal/84122/4/8431831.2023.pdf4b0a3a191cb57f56d0c22274b7076972MD54THUMBNAIL8431831.2023.pdf.jpg8431831.2023.pdf.jpgGenerated Thumbnailimage/jpeg5086https://repositorio.unal.edu.co/bitstream/unal/84122/5/8431831.2023.pdf.jpg13953593ad13e191d30793635224911eMD55unal/84122oai:repositorio.unal.edu.co:unal/841222024-08-12 23:12:06.587Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |