Mejorando la Predicción de Volatilidad: Estudio Comparativo Entre Series Financieras Persistentes y Anti-persistentes.

Predecir la volatilidad financiera es crucial para gestionar riesgos y tomar decisiones de inversión. Esta investigación introduce un método novedoso para crear un modelo de predicción que maneja efectivamente las complejas dinámicas de los datos de series temporales financieras. Al utilizar las ventajas de los modelos de series temporales y de redes neuronales recurrentes, presentamos dos modelos híbridos: Vanilla-RGARCH y LSTM-RGARCH. Estos modelos están diseñados para superar las limitaciones de los modelos Realized GARCH (RGARCH) y HAR en la representación de diversos hechos estilizados de los datos financieros. Mientras que los modelos RGARCH son competentes en capturar asimetría, no abordan la memoria a largo plazo. Por otro lado, los modelos HAR son hábiles en captar la memoria a largo plazo. El modelo innovador combina los valores pronosticados del modelo RGARCH con componentes del modelo HAR, incluyendo la volatilidad realizada diaria, semanal y mensual, dentro de un marco de red neuronal. Esta combinación ayuda a eludir las complejidades involucradas en la fusión directa del modelo HAR con RGARCH. A través de este método, nuestros modelos híbridos proporcionan una representación exhaustiva de las características de los datos financieros. El enfoque propuesto se evalúa en dos tipos distintos de series financieras; persistentes y anti-persistentes, para demostrar su robustez y capacidad de generalización en diferentes contextos. El rendimiento de los modelos híbridos se compara con el de los modelos convencionales RGARCH y HAR, demostrando su superioridad en la predicción precisa de la volatilidad financiera y su capacidad para capturar tendencias complejas observadas en datos reales. Además, se utiliza un análisis de componentes principales (PCA) para visualizar los resultados y facilitar su interpretación.