Predicción de volatilidad en series de tiempo financieras con modelos autorregresivos en espacios de Hilbert
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
La predicción precisa de la volatilidad en los mercados financieros es fundamental para la toma de decisiones informadas y la gestión de riesgos. Los modelos tradicionales como ARCH y GARCH, aunque ampliamente utilizados, presentan limitaciones en la captura de la complejidad inherente de las series de tiempo financieras. Este proyecto propone una alternativa innovadora: la aplicación de modelos autorregresivos en espacios de Hilbert con kernels reproductivos. Esta metodología, al aprovechar la flexibilidad de los espacios de Hilbert y la capacidad de los kernels reproductivos para representar patrones complejos, ofrece una herramienta más precisa para estimar la volatilidad. Para evaluar la eficacia de este enfoque, se llevó a cabo un análisis comparativo utilizando tres series de tiempo financieras reales. Los resultados obtenidos mostraron que los modelos basados en kernels reproductivos superan significativamente a los modelos tradicionales en términos de precisión de las predicciones, especialmente en períodos de alta volatilidad. La importancia de este trabajo radica en la necesidad de desarrollar herramientas analíticas más sofisticadas para comprender y anticipar los cambios en la volatilidad de los mercados financieros. Los modelos autorregresivos en espacios de Hilbert con kernels reproductivos representan un avance significativo en esta dirección, ofreciendo a los inversionistas y gestores de riesgo una herramienta más confiable para tomar decisiones informadas.
Abstract
item.page.abstract.eng
item.page.descriptioneng
Accurate prediction of volatility in financial markets is essential for making informed decisions and risk management. Traditional models such as ARCH and GARCH, although widely used, has limitations in capturing complexity inherent to financial time series. This project proposes an innovative alternative: the application of autoregressive models in Hilbert spaces with reproductive kernels. This methodology, by taking advantage of the flexibility of Hilbert spaces and the capacity of kernels reproductive tools to represent complex patterns, offers a more precise tool for estimate volatility. To evaluate the effectiveness of this approach, a comparative analysis was carried out using three real financial time series. The results obtained showed that the models based in reproductive kernels significantly outperform traditional models in terms of accuracy of predictions, especially in periods of high volatility. The importance of This work lies in the need to develop more sophisticated analytical tools to understand and anticipate changes in the volatility of financial markets. The models autoregressives in Hilbert spaces with reproductive kernels represent an advance significant in this direction, offering investors and risk managers a most reliable tool to make informed decisions.