Evaluación comparativa de modelos GARCH Y GARCH-LSTM con VIX para la predicción de volatilidad en ETFs del sector energético de EE.UU.

Abstract

El presente estudio tiene como objetivo comparar el desempeño predictivo de modelos clásicos de volatilidad —pertenecientes a la familia GARCH— con modelos híbridos que integran redes neuronales LSTM (Long Short-Term Memory) aplicados a series de tiempo financieras de fondos cotizados en bolsa (ETFs) del sector energético de Estados Unidos. Se consideran nueve ETFs representativos, abarcando tanto energías renovables como convencionales, con el fin de analizar posibles diferencias en el comportamiento de la volatilidad entre ambos grupos. La metodología combina un enfoque econométrico y de aprendizaje profundo. En una primera etapa, se estiman modelos GARCH, GJR- RCH y EGARCH, con y sin inclusión del índice VIX como variable exógena. Posteriormente, se desarrollan modelos híbridos LSTM–GARCH, entrenados mediante optimización bayesiana con Optuna, considerando configuraciones de hiperparámetros que equilibran complejidad y estabilidad. La evaluación del desempeño se realiza bajo un esquema out-of-sample utilizando métricas como R2, MSE, MAE, QLIKE, HMSE, HMAE, MDA y el procedimiento de Model Confidence Set (MCS). Los resultados evidencian que los modelos híbridos mejoran sistemáticamente las métricas de ajuste y error medio, particularmente en la predicción de la desviación estándar, donde alcanzan superioridad estadística según la prueba MCS. Sin embargo, en el modelado de la varianza, las diferencias con los modelos clásicos no resultan estadísticamente significativas, sugiriendo que la mayor complejidad de las arquitecturas LSTM no siempre se traduce en mejoras sustanciales. Asimismo, la inclusión del VIX como variable exógena aporta ligeras ventajas en estabilidad direccional (MDA), aunque no garantiza dominancia sobre los modelos sin dicha variable. En cuanto al comportamiento por tipo de activo, los ETFs de energías renovables presentan una volatilidad más alta y heterogénea en el periodo de evaluación, mientras que los de energías convencionales muestran patrones más estables, sin que ello implique diferencias significativas en la capacidad predictiva de los modelos.