Mejora de la predicción mediante la incorporación de la pérdida de entropía en las previsiones de volatilidad

Área de la Ciencia:

• Las finanzas cuantitativas
• Las economías
• Modelado financiero

Sus antecedentes:

• La previsión precisa de los mercados financieros es crucial para la gestión de riesgos y las estrategias de inversión.
• Los modelos heterogéneos autorregresivos (HAR) se utilizan ampliamente para la predicción de la volatilidad.
• La evaluación de diferentes técnicas y horizontes de estimación es esencial para optimizar el rendimiento del modelo HAR.

Objetivo del estudio:

• Comparar la precisión de las previsiones de los modelos autorregresivos heterogéneos (HAR) utilizando diversas técnicas y horizontes de estimación.
• Identificar el método óptimo de estimación y el horizonte de pronóstico para los modelos HAR.
• Evaluar el impacto de las variables exógenas y las especificaciones mejoradas del modelo en la precisión de las previsiones.

Principales métodos:

• Se han examinado tres modelos de tipo HAR con cinco técnicas de estimación y cuatro horizontes de previsión.
• Se utilizaron datos intradiarios de 5 minutos para el índice Standard & Poor's 500 (SPX) y el índice VIX como variables exógenas.
• Casi probabilidad empleada (QLIKE), error absoluto medio (MAE) y error cuadrado medio (MSE) para la evaluación del rendimiento.

Principales resultados:

• La función de pérdida de entropía dio consistentemente los mejores resultados de cuasi-probabilidad (QLIKE) en todos los horizontes, en particular el horizonte semanal.
• El modelo lineal robusto demostró ser una alternativa competitiva, mostrando un fuerte rendimiento en el error absoluto medio (MAE) y el error cuadrado medio (MSE).
• La incorporación de Realized Quarticity (modelo HARQ) y el índice VIX mejoró significativamente la precisión general de la predicción del modelo.

Conclusiones:

• Tanto la función de pérdida de entropía como el modelo lineal robusto demuestran una precisión de pronóstico significativa para los modelos HAR.
• La elección de la técnica de estimación y el horizonte de previsión tienen un impacto crítico en el rendimiento del modelo HAR.
• La mejora de los modelos HAR con retrasos informativos y variables exógenas como VIX conduce a un mejor poder predictivo.