Martin Econometrics: Econometría y Aplicaciones

Resumen de Paper: Aprendizaje adaptativo en series de tiempo: método y aplicaciones financieras [Parley Rougu Yang et al., (2021), doi=https://arxiv.org/abs/2110.11156] Se introduce formalmente un método de aprendizaje estadístico de series de tiempo, llamado Aprendizaje Adaptativo, capaz de manejar la selección del modelo, el pronóstico e interpretación fuera de la muestra en un ambiente ruidoso.  A través de estudios de simulación, se demostró que el método puede superar a las técnicas tradicionales de selección de modelos, como AIC y BIC, en presencia de cambio de régimen, además de facilitar la determinación del tamaño de la ventana cuando el proceso de generación de datos varía en el tiempo. Empíricamente, se usó el método para pronosticar los rendimientos del S&P 500 en múltiples horizontes de pronóstico, aplicando la información de la curva VIX y la curva de rendimiento.  Donde se halló que los modelos de aprendizaje adaptativo están generalmente a la par, si no mejores, que

Resumen de Paper: Rendimiento de la predicción de la volatilidad del sector utilizando modelos GARCH y Redes Neuronales Artificiales  [Curtis Nybo (2020), doi=https://arxiv.org/abs/2110.09489] Recientemente, las redes neuronales (Artificial Neural Networks-ANN) han tenido éxito en la predicción de la volatilidad, pero la literatura está dividida sobre dónde se debe usar las ANN en lugar del modelo GARCH común. El propósito de este estudio es comparar el desempeño de predicción de volatilidad de los modelos ANN y GARCH cuando se aplica a acciones con perfiles de volatilidad baja, media y alta. Este enfoque tiene como objetivo identificar qué modelo se debe utilizar para cada caso.  Los perfiles de volatilidad comprenden cinco sectores que cubren todas las acciones en el mercado de valores de EE. UU. de 2005 a 2020. Se examinan tres especificaciones GARCH y tres arquitecturas ANN para cada sector, donde se elige el modelo más adecuado para pasar a la previsión. Los resultados indican que