Show simple item record

dc.contributor.advisorKRISTJANPOLLER RODRIGUEZ, WERNER DAVID
dc.contributor.authorPAROT ALVARADO, ALEJANDRO JAVIER
dc.contributor.otherSCAVIA DAL POZZO, JAVIER
dc.contributor.otherVILLENA CHAMORRO, MARCELO
dc.coverage.spatialUniversidad Técnica Federico Santa María UTFSM. Casa Central Valparaísoes_CL
dc.date.accessioned2018-01-18T17:40:23Z
dc.date.available2018-01-18T17:40:23Z
dc.date.issued2017
dc.identifier.urihttp://hdl.handle.net/11673/23691
dc.descriptionCatalogado desde la version PDF de la tesis.es_CL
dc.description.abstractLa metodología propuesta muestra que efectivamente es posible mejorar la precisiónen el pronóstico de los retornos del tipo de cambio EUR/USD al componer modelos autorregresivosy redes neuronales en un modelo híbrido que analiza los residuales del modelolineal para modelar la componente no lineal de corto y largo plazo entre las series.En general, el mejor pronóstico de ANN está dado por el tamaño de ventana de 252días, mientras que los peores pronósticos se encuentran para la ventana de 42 días. Más aún,los mejores pronósticos se concentran en el caso de 2 capas ocultas para la ventana de 252días donde se encuentra la mayor cantidad de variaciones negativas del MSE. En particular,el modelo VEC-ANN con una configuración de 2 capas ocultas y 20 neuronas por capapara una ventana corrediza de 252 días mejora el MSE del mejor modelo VAR-VECM un26; 883% y las pruebas DM y MCS confirman estadísticamente que dicho modelo tienemayor capacidad predictiva que el modelo de referencia y que todos los modelos en estudio,respectivamente. Además, puede verse durante el análisis que para todos los tamaños deventana corrediza, a medida que se aumenta el número de capas ocultas los pronósticosse vuelven más planos, es decir, se concentran dentro de cotas mucho más pequeñas. Porotro lado, al aumentar el número de neuronas en cada capa oculta los pronósticos tienden aextender levemente las cotas que restringe el aumento del número de capas ocultas.Esta metodología tiene la ventaja de ser simple y bastante certera para mejorar lospronósticos. Los resultados son importantes en el contexto de los mercados financierosdonde manejar mayor información es fundamental para obtener beneficios. Además, esuna nueva metodología propuesta para aportar al desarrollo de procesos de investigacióncientífica.es_CL
dc.format.extent131 h.
dc.format.mediumCD ROM
dc.format.mimetypeapplication/pdf
dc.subjectCOINTEGRACIONes_CL
dc.subjectRED NEURONAL ARTIFICIALes_CL
dc.subjectTIPO DE CAMBIOes_CL
dc.subjectVARes_CL
dc.subjectVECMes_CL
dc.titlePROPUESTA PARA MEJORAR LA PRECISIÓN EN EL PRONÓSTICO DE LOS RETORNOS DE TIPO DE CAMBIO MEDIANTE UN MODELO HÍBRIDO QUE INCLUYE VECTORES AUTORREGRESIVOS Y REDES NEURONALESes_CL
dc.typeTesis Pregradoes_CL
dc.rights.accessRightsA - Internet abierta www.repositorio.usm.cl y otros repositorios a la que la USM se adscriba
dc.description.degreeMAGÍSTER EN CIENCIAS DE LA INGENIERÍA INDUSTRIALes_CL
dc.contributor.departmentUniversidad Tecnica Federico Santa Maria UTFSM INDUSTRIASes_CL
dc.description.programMagíster en Ciencias de la Ingeniería Industrial
dc.identifier.barcode3560900257348
usm.identifier.thesis4500015498
usm.date.thesisregistration2017


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record