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