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

Loading...
Thumbnail Image

Date

relationships.isAdvisorOf

Journal Title

Journal ISSN

Volume Title

Publisher

Universidad Torcuato Di Tella

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.

Description

Keywords

Econometría, Econometrics, Modelos econométricos, Econometrics models, Predicción tecnológica, Technological prediction

Citation

Citation

Endorsement

Review

Supplemented By

Referenced By