Modelos markov switching y redes neuronales recurrentes para predecir series temporales de tasas de cambio.

Abstract

En la mayoría de los escenarios prácticos de la vida real tales como negocios, finanzas, comercio minorista, energía, economía, etc., los datos que se obtienen de series temporales reflejan cambios temporales no estacionarios. Existen algunos modelos que se utilizan para realizar predicciones de este tipo de información como son los Modelos Markov con Cambio de Estado (switching) que se centran en capturar cambios estructurales en los datos a través de estados discretos y las Redes Neuronales Recurrentes que se centran en modelar dependencias temporales en los datos secuenciales utilizando conexiones recurrentes entre las unidades de la red. En este trabajo, se realiza un modelo hibrido utilizando modelos ocultos de Markov y redes neuronales recurrentes para predecir series de tiempo. Para ello, se realiza una red neuronal recurrente y se agrega el modelo oculto de Markov para que realice la actualización de los cambios de régimen. En la implementación del modelo, se utiliza datos de varias tasas de cambio de divisas (EUR/USD, GBP/USD, USD/CAD, USD/CHF), que van desde 1 de enero de 2020 al 1 de septiembre del 2022. Además, se utilizó el error cuadrático medio (MSE) y la raíz del error cuadrático medio (RMSE) como medidas de bondad de ajuste, obteniendo errores bajos, lo cual indica la calidad de la estimación del modelo.