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

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 t...

Descripción completa

Detalles Bibliográficos
Autor principal: Pérez, Matías Damián
Otros Autores: Martos Venturini, Gabriel
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2025
Materias:
Econometría
Econometrics
Modelos econométricos
Econometrics models
Predicción tecnológica
Technological prediction
ARIMA regression
ETS
Markov-switching models
Redes neuronales LSTM
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/13206
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-13206
record_format dspace
spelling I57-R163-20.500.13098-132062025-01-04T07:00:43Z Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS Pérez, Matías Damián Martos Venturini, Gabriel Econometría Econometrics Modelos econométricos Econometrics models Predicción tecnológica Technological prediction ARIMA regression ETS Markov-switching models Redes neuronales LSTM 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. 2025-01-03T15:34:07Z 2025-01-03T15:34:07Z 2024 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/13206 spa Tesis y Trabajos Finales de la Universidad Torcuato Di Tella info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 55 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Econometría
Econometrics
Modelos econométricos
Econometrics models
Predicción tecnológica
Technological prediction
ARIMA regression
ETS
Markov-switching models
Redes neuronales LSTM
spellingShingle Econometría
Econometrics
Modelos econométricos
Econometrics models
Predicción tecnológica
Technological prediction
ARIMA regression
ETS
Markov-switching models
Redes neuronales LSTM
Pérez, Matías Damián
Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
topic_facet Econometría
Econometrics
Modelos econométricos
Econometrics models
Predicción tecnológica
Technological prediction
ARIMA regression
ETS
Markov-switching models
Redes neuronales LSTM
description 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.
author2 Martos Venturini, Gabriel
author_facet Martos Venturini, Gabriel
Pérez, Matías Damián
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Pérez, Matías Damián
author_sort Pérez, Matías Damián
title Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
title_short Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
title_full Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
title_fullStr Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
title_full_unstemmed Forecasting en presencia de regime-switching. Análisis comparado de la precisión predictiva de redes neuronales LSTM frente a modelos ARIMA y ETS
title_sort forecasting en presencia de regime-switching. análisis comparado de la precisión predictiva de redes neuronales lstm frente a modelos arima y ets
publisher Universidad Torcuato Di Tella
publishDate 2025
url https://repositorio.utdt.edu/handle/20.500.13098/13206
work_keys_str_mv AT perezmatiasdamian forecastingenpresenciaderegimeswitchinganalisiscomparadodelaprecisionpredictivaderedesneuronaleslstmfrenteamodelosarimayets
_version_ 1823894535521959936

Ejemplares similares