Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS

Abstract

En este trabajo se realiza un estudio comparativo de la capacidad predictiva de las redes neuronales LSTM frente a los modelos econométricos ARIMA y ETS en contexto de regime-switching, es decir, en casos donde los parámetros que rigen el DGP cambian a lo largo del tiempo. Para ello se plantean tres experimentos controlados en donde se simula un cambio de régimen en la serie de tiempo y se comparan las predicciones de cada modelo antes y después de dicho cambio utilizando métricas de precisión como son el MSE o el MAE. Posteriormente, se repite este ejercicio pero esta vez para la serie de precios del Bitcoin, la cual se modela como un proceso del tipo Markov-switching. La conclusión general a la que se arriba es que los modelos de redes neuronales recurrentes no resultaron ser más precisos que las predicciones de los modelos ARIMA y ETS, más bien lo contrario, y esto puede atribuirse a la excesiva dependencia que tienen los primeros respecto a los datos de entrenamiento y la imposibilidad resultante de pronosticar por fuera del intervalo de valores aprendido durante su entrenamiento.