Predicción de la volatilidad: una comparación entre métodos paramétricos y semiparamétricos
Fecha: junio 2024
Isabel Casas, J. Miguel Marín y Helena Veiga
Modelos de aprendizaje automático, Modelos HAR, Varianza realizada, Valor en riesgo
Predicción y decisiones económicas con Big Data
En este capítulo se estudia la eficacia de distintos modelos (paramétricos, semiparamétricos y semiparamétricos con aprendizaje automático) en la predicción de la varianza diaria realizada, utilizando datos intradiarios de Bitcoin, NASDAQ y S&P500 que representan distintos grupos de mercados: criptomonedas, tecnología y el mercado de acciones estadounidense, respectivamente. La disponibilidad de datos a frecuencias muy altas, característica del big data, constituye una gran ventaja, ya que posibilita la estimación de la volatilidad de forma consistente y, por ende, su predicción con mayor precisión.
Se ha llevado a cabo una comparación de los modelos en términos de predicción de varianza realizada, mediante test de habilidad predictiva, tanto incondicionales como condicionales, así como en la predicción del valor en riesgo y se ha observado que el modelo autorregresivo heterogéneo de cuarticidad (o variación cuártica) sobresale en la predicción de la varianza realizada.
En cuanto al valor en riesgo, se han empleado trece contrastes condicionales para evaluar el rendimiento de los diversos modelos. Se obtiene que, en general, no presentan un buen desempeño durante el periodo correspondiente a la pandemia global del coronavirus. Los mejores resultados se observan en Bitcoin y NASDAQ, usando los modelos heterogéneos autorregresivos con cuarticidad realizada, Random Forests y el modelo heterogéneo autorregresivo con parámetros variables en el tiempo.