Acceso usuarios
Johanna M. Orozco, Juan David Velásquez Henao
Los modelos para la combinación de pronósticos han sido ampliamente estudiados, y de uso frecuente en el mejoramiento de la exactitud de predicciones. En este artículo se presenta un nuevo modelo compuesto no lineal, para la predicción de la volatilidad de activos. Dicho modelo esta compuesto de una serie de modelos GARCH, anclados a un conjunto de datos de series de tiempo, que emplean diferentes funciones de pérdida, los cuales tienen el objetivo de capturar diferentes características de la dinámica propia de la volatilidad. Se combinan predicciones individuales, mediante el uso de la media aritmética simple, o de una red neuronal artificial. Este modelo propuesto se emplea para predecir la rentabilidad mensual de series de tiempo s&P500, llevando a concluir que el nuevo enfoque permite predecir la volatilidad con mayor exactitud que cada uno de los modelos GARCH considerados.
Forecast combination models have been broadly studied and often used to improve forecast accuracy. This article presents a new non-linear composite model to forecast the volatility of asset returns. Our model is composed of a set of GARCH models fitted to a time series dataset using different loss functions, with the aim of capturing different features of volatility dynamics.
Individual forecasts are combined by using either the simple arithmetical average method or an artificial neural network. The proposed model is used to forecast the monthly excess returns of S&P500 time series, finding that this new approach is able to forecast volatility with more accuracy than each individual GARCH model considered.
