Modelado y generación de fluctuaciones extremas en series de tiempo con un modelo de respuesta lineal multicapa

Área de la Ciencia:

• La física
• Las economías
• Ciencia de los datos

Sus antecedentes:

• Los modelos convencionales de respuesta lineal de una sola capa (SLRM) tienen limitaciones para capturar dinámicas complejas.
• Las dinámicas anómalas, caracterizadas por fluctuaciones extremas y colas pesadas, prevalecen en varios campos, incluidas las finanzas.
• La necesidad de modelos interpretables que puedan generar datos anómalos realistas es crítica.

Objetivo del estudio:

• Proponer un modelo de respuesta lineal multicapa (MLRM) capaz de generar datos de series temporales que muestren dinámicas anómalas.
• Ampliar las capacidades de la teoría de respuesta lineal tradicional para abarcar las interacciones no lineales.
• Demostrar la aplicabilidad del MLRM en la reproducción de fenómenos del mundo real, como los observados durante la pandemia de COVID-19.

Principales métodos:

• Desarrollo de un modelo de respuesta lineal multicapa (MLRM) mediante la ampliación del modelo de respuesta lineal de una sola capa (SLRM).
• Introducción de las interacciones no lineales en el marco del MLRM.
• Aplicación del MLRM para generar datos de series temporales utilizando datos financieros anteriores a la pandemia.
• Análisis de los rendimientos de registro y de la volatilidad realizada a partir de los datos generados por el MLRM.

Principales resultados:

• El MLRM generó con éxito datos de series temporales con dinámicas anómalas.
• Los retornos de registro y la volatilidad realizada a partir de los datos generados por MLRM exhibieron características de cola pesada, consistentes con las observaciones empíricas.
• El modelo demostró una capacidad para reproducir las fluctuaciones extremas y el comportamiento de la cola característico de los períodos de alta volatilidad.

Conclusiones:

• El MLRM propuesto es una herramienta eficaz para generar datos de series temporales interpretables con dinámicas anómalas.
• El MLRM proporciona un marco valioso para estudiar sistemas complejos en campos como las finanzas sin depender del aprendizaje automático.
• La capacidad del modelo para capturar distribuciones de cola pesada y eventos extremos ofrece información sobre el comportamiento del mercado financiero durante las crisis.