Usando redes neurais para estimação da volatilidade : redes neurais e modelo híbrido GARCH aumentado por redes neurais
AUTOR(ES)
Oliveira, André Barbosa
DATA DE PUBLICAÇÃO
2010
RESUMO
As séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, a sua variabilidade, representada pela volatilidade, consiste em importante informação para o mercado. Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções de distintas classes, possuindo a propriedade de aproximadores universais. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (Feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, é proposto um modelo híbrido que combina o modelo GARCH e redes neurais. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a choques de maior magnitude e sua suavidade, do que quantitativas, apresentando critérios de erros de previsão em relação a uma medida de volatilidade benchmark muito próximos.
ASSUNTO(S)
volatility estimação artificial neural networks modelo matemático redes neurais garch models volatilidade mercado financeiro
ACESSO AO ARTIGO
http://hdl.handle.net/10183/25787Documentos Relacionados
- Modelagem de digestores Kraft continuo : redes neurais e modelo hibrido
- Estimação de volatilidade em séries financeiras : modelos aditivos semi-paramétricos e GARCH
- Estimação da razão ótima de Hedge para dólar futuro usando um modelo M-GARCH-DEKK-Diagonal
- Estimação da evapotranspiração de referência no estado do Rio de Janeiro usando redes neurais artificiais
- Regionalização de parâmetros de modelo chuva-vazão usando redes neurais