Predicción de volatilidad en series de tiempo financieras con modelos autorregresivos en espacios de Hilbert

Simple item page
dc.contributor.advisorValencia Marín, Cristhian Kaori
dc.contributor.authorCárdenas Barreto, Jesús David
dc.contributor.authorQuintero Afanador, Ginna Paola
dc.date.accessioned2025-02-24T19:17:51Z
dc.date.available2025-02-24T19:17:51Z
dc.date.issued2024
dc.description.abstractLa 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.
dc.description.abstractengAccurate 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.
dc.format.extent74 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/4528
dc.language.isospa
dc.publisherPontificia Universidad Javariana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectPredicción
dc.subjectVolatilidad
dc.subjectSeries de tiempo financieras
dc.subjectModelos autorregresivos
dc.subjectEspacios de Hilbert Prediction
dc.subjectVolatility
dc.subjectFinancial time series
dc.subjectAutoregressive models
dc.subjectHilbert spaces
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titlePredicción de volatilidad en series de tiempo financieras con modelos autorregresivos en espacios de Hilbertspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Proyecto Final Predicción de la volatilidad.pdf
Size:
2.33 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia_autorizacion.pdf
Size:
125.44 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos