Posts

Resumen de Paper: Aprendizaje adaptativo en series de tiempo: método y aplicaciones financieras

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

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

Martin (2021) ¿Qué son los modelos VAR?

José-Manuel Martin Coronado Director Instituto de Econometría de Lima www.institutoeconometria.com El acrónimo VAR hace referencia a los Vectores AutoRegresivos. Para entender dicho concepto es necesario descomponerlo.   ¿Qué es un vector? Un vector es un conjunto ordenado de elementos tal que, x = (x 1 , x 2  , x 3 , x 4 ) .  Dichos elementos pueden representar elementos no ordenadas ó bien elementos que representan una variable, por ejemplo el precio, tal que vector p = (p 2017 , p 2018 , p 2019 , p 2020 ) .  Aún más, un vector puede ser un agrupamiento de otros vectores (variables), tal que, vector w = (v 1 , v 2  , v 3 , v 4 ).

Martin (2021) Estacionariedad y Cointegración: ¿Un problema asintótico o de generalización?

Image
José-Manuel Martin Coronado Instituto de Econometría de Lima www.institutoeconometria.com El problema de la cointegración nació por la sospecha de la existencia de regresiones espurias en los casos de series no estacionarias (Ej. I(1)), para lo cual se implementaron diversas técnicas: Engle-Granger, Johansen-Juselius, entre otros. En particular Engle y Granger indican que el mayor orden de integración tiene un efecto dominante en la relación entre dos variables.  Si bien gran parte de las series económicas no son estacionarias, otro grupo sí lo son. O mejor dicho, una forma más interesante de éstas lo es (Ej. Variación porcentual). En tales casos, lo usual es trabajar con modelos no estructurales dinámicos de tipo ARIMA, ARDL, VAR, entre otros. ¿Pero, es posible sustentar la existencia de cointegración a través de un modelo estructural simple, en el caso de MCO, que represente relaciones de largo plazo?

Martin (2021) ¿Qué es el círculo vicioso de la validación econométrica?

Por: José-Manuel Martin Coronado Lima, 26 de febrero de 2021 El análisis círculo vicioso es un tema muy útil, usualmente cuando el estudiante lleva econometría demasiado práctica o copia y pega de códigos, obviamente no se topa con este problema. pero cuando su profesor o asesor de tesis le pida que valide su modelo econométrico se enfrentará con esta gran paradoja. Puede llamarse, el círculo vicioso de la validación econométrica o CV. En pocas palabras hace referencias a un trade-off entre los problemas econométricos como consecuencia de los tratamientos econométricos.

Martin C, J.M (2020) Un modelo de reacción del Banco Central ante de desajustes del mercado laboral [Introducción]

José-Manuel Martin Coronado Profesor Investigador, Instituto de Econometría de Lima www.institutoeconometria.com Lima, 9 de diciembre de 2020 Es común observar a los financistas atentos a las cifras de desempleo, en particular en el EE.UU. La regla de la experiencia es bastante directa: Si aumenta el desempleo, la economía necesita estímulos, ya sea una menor tasa de interés o una mayor cantidad de dinero. Obviamente, esto último aviva no sólo al sector real, sino a los mercados financieros.  En teoría esto se basa a la "artificiosamente inmortal" Curva de Phillips, donde un menores solicitudes de empleo, es decir menor oferta laboral, (proxy de menor desempleo) implicaría que hay menos personas buscando trabajo, con lo cual es necesario subir los salarios para atraerlos y ello implica una mayor inflación. Esto a su vez requiere que el Banco Central tome medidas para reducir la inflación, en caso no sea un problema temporal, por ejemplo subiendo la tasa de interés para ralent

Martin C, J.M. (2020) La Identificación en los modelos económicos

José-Manuel Martin Coronado Instituto de Econometría de Lima www.institutoeconometria.com En términos sencillos, la identificación de un modelo económico implica saber si hay suficientes variables exógenas para las variables endógenas elegidas, en un modelo multiecuacional.  A veces pueden haber más variables exógenas de las necesarias. Y a veces pueden haber menos variables exógenas de lo necesario.   Existen muchas combinaciones posibles.  Por ejemplo, se puede tener varios modelos con las mismas exógenas pero con diferente exógena. (1) SUR y 1 = a 0 +a 1 x 1 +a 2 x 2     y 2 = b 0 +b 1 x 1 +b 2 x 2   O por ejemplo, se puede tener varios modelos con regresores endógenos, además de lo indicado anteriormente. (2) (Cruzadas ó Simultánea sin exclusión) y 1 = a 0 +a 1 x 1 +a 2 x 2 + a 3 y 2 y 2 = b 0 +b 1 x 1 +b 2 x 2 + b 3 y 1 O también, se puede tener varios modelos con regresores endógenos, pero no con las mismas exógenas (3) . y 1 = a 0 +a 1 x 1 + a 3 y 2 y 2 = b 0 +b 2 x 2 +