Valencia Marín, Cristhian KaoriCárdenas Barreto, Jesús DavidQuintero Afanador, Ginna Paola2025-02-242025-02-242024http://hdl.handle.net/11522/4528La 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.74 p.application/pdfspaPredicciónVolatilidadSeries de tiempo financierasModelos autorregresivosEspacios de Hilbert PredictionVolatilityFinancial time seriesAutoregressive modelsHilbert spaceshttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2