PREDICCIÓN DEL RETORNO DEL TIPO DE CAMBIO DE MONEDAS LATINOAMERICANAS: USO DEL MODELO DE REDES NEURONALES Y WAVELETS

Abstract

En el siguiente trabajo se presenta un modelo de pronóstico que integra la transformada wavelet discreta (DWT) y redes neuronales para realizar predicciones de la volatilidad del tipo de cambio de monedas latinoamericanas. El modelo que se propone primero utiliza la DWT para descomponer los datos de series de tiempo financieras, de manera de obtener una descomposición con una aproximación (de baja frecuencia) y detalle (de alta frecuencia) de la serie de tiempo original. Luego estas son utilizadas como variables de entrada para pronosticar futuros precios de las monedas. En efecto, mientras que los componentes de alta frecuencia pueden capturar discontinuidades, rupturas y singularidades en los datos originales, componentes de baja frecuencia caracterizan la estructura gruesa de la serie, para identificar las tendencias a largo plazo en los datos originales. Como resultado, los componentes de alta frecuencia actúan como una parte complementaria de los componentes de baja frecuencia. El modelo se aplicó a 5 conjuntos de 1811 datos, que corresponden a las fluctuaciones de los retornos de monedas de Chile, Perú, Colombia, México y Brasil entre el año 2004 y 2015. Para evaluar la eficacia del modelo frente a los modelos estadísticos, su desempeño se compara con la del conocido modelo GARCH, que es un enfoque estadístico popular para pronóstico de la volatilidad de series de tiempo financieras. El trabajo está organizado de la siguiente manera. En la primera parte se plantea el problema a estudiar, luego se proporciona el diseño del sistema de predicción propuesto. A continuación se presenta el modelo GARCH y medidas de desempeño. Finalmente se presentan los resultados empíricos y concluye el documento.