Modelos GARCH Gaussiano Difuso y EGARCH Gaussiano Difuso: Pronóstico del Mercado Cambiario
DOI:
https://doi.org/10.21919/remef.v18.3.855Palabras clave:
Lógica Difusa;, GARCH, FUZZY EGARCHResumen
El presente artículo compara los métodos de varianza condicional GARCH y EGARCH, con respecto a la propuesta Fuzzy Gaussian GARCH y Fuzzy Gaussian EGARCH. Se pronosticó la rentabilidad de cuatro tipos de cambio en periodicidad diaria desde enero 2015 a noviembre 2022 y fuera de muestra, enero 2019 y diciembre 2022. Los resultados revelan que los modelos Fuzzy GARCH y Fuzzy EGARCH estiman mejor el comportamiento de la volatilidad de las series del mercado cambiario en comparación con las técnicas tradicionales. Por lo que, la recomendación es estimar otras variables de alta volatilidad para verificar la eficiencia de las técnicas difusas, sin embargo, la principal limitación es que no es posible aplicar las pruebas econométricas tradicionales para técnicas difusas porque los parámetros no son estimados con el logaritmo de máxima verosimilitud. La estimación de los parámetros de los modelos GARCH y EGARCH con teoría difusa es la propuesta de originalidad. En conclusión, las metodologías difusas tienen menos error al pronosticar la volatilidad de los tipos de cambio dentro muestra y fuera de muestra
Descargas
Métricas
Citas
Bank of England, (2019). Statistics, Exchanges Rates. Retrieved 09 19, 2019, from Bank of England: https://www.bankofengland.co.uk/statistics/exchange-rates
Banco de México. (2018). Mercado Cambiario (Tipo de Cambio). Retrieved 09 19, 2018, from Banco de México: http://www.banxico.org.mx/tipcamb/tipCamMIAction.do?idioma=sp
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
Chang, P. T. (1997). Fuzzy seasonality forecasting. Fuzzy Sets and Systems, 90(1), pp. 1-10. https://doi.org/10.1016/s0165-0114(96)00138-8
Chen, S.-M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81, pp.311-319. https://doi.org/10.1016/0165-0114(95)00220-0
Chen, S.-M., & Hsu, C.-C. (2004). A New Method to Forecast Enrollments Using Fuzzy Time Series. International Journal of Applied Science and Engineering, pp. 234-244.
Cheng, C., & Lee, E. S. (1999a). Nonparametric Fuzzy Regression--k-NN and Kernel Smoothing
Techniques. Computers and Mathematics with Applications, 38, pp. 239-251. https://doi.org/10.1016/s0898-1221(99)00198-4
Cheng, C., & Lee, E. S. (1999b). Applying Fuzzy Adaptive Network to Fuzzy Regression Analysis. Computers and Mathematics with Applications, 38, pp. 123-140. https://doi.org/10.1016/s0898-1221(99)00187-x
Coyaso, F. J., & Vermonden, A. (2015). Fuzzy Logic for Decision-Making and Personnel Selection. Universidad & Empresa, 17, pp. 239-256.
Dash, R., & Dash, P. (2016). An evolutionary hybrid Fuzzy Computationally Efficient EGARCH model for volatility prediction. Applied Soft Computing, pp. 40-60. https://doi.org/10.1016/j.asoc.2016.04.014
Dunyak, P. J., & Wunsch, D. (2000). Fuzzy regression by fuzzy number neural networks. Fuzzy Sets and Systems, pp. 371-380. https://doi.org/10.1016/s0165-0114(97)00393-x
Huarng, K., & Yu, H.-K. (2005). A Type 2 fuzzy time series model for stock index forecasting. Physica A: Statistical Mechanics and its Applications, 353, pp. 445-462. https://doi.org/10.1016/j.physa.2004.11.070
Hung, J.-C. (2009). A Fuzzy Asymmetric GARCH model applied to stock markets. Information Sciences, 179, pp. 3930–3943. https://doi.org/10.1016/j.ins.2009.07.009
Kim, B., & Bishu, R. R. (1998). Evaluation of fuzzy linear regression models by comparing membership functions. Fuzzy Sets and Systems, 100(1-3), pp. 343-352. https://doi.org/10.1016/s0165- 0114(97)00100-0
Özelkan, E. C., & Duckstein, L. (2000). Multi-objective fuzzy regression: a general framework.
Computers & Operations Research, 27, pp. 635-652. https://doi.org/10.1016/s0305-0548(99)00110-0
Popov, A., & Bykhanov, K. (2005). Modeling Volatility of Time Series Using Fuzzy GARCH Models. Science and Technology, pp. 687-692. https://doi.org/10.1109/korus.2005.1507875
Rutkowski, L. (2004). Elements of the Theory of Fuzzy Sets. In L. Rutkowski, Flexible Neuro-Fuzzy Systems: Structures, Learning and Performance Evaluation (pp. 7-26). Boston: Kluwer Academic Publishers. https://doi.org/10.1109/tnn.2005.864047
Singh, P. (2017). A brief review of modeling approaches based on fuzzy time series. International Journal Machine Learning & Cyber, pp. 397-420. https://doi.org/10.1007/s13042-015-0332-y
Song, Q., & Chissom, B. S. (1993a). Fuzzy time series and its models. Fuzzy Sets and Systems, 54, pp.269-277. https://doi.org/10.1016/0165-0114(93)90372-o
Song, Q., & Chissom, B. S. (1993b). Forecasting enrollments with fuzzy time series — Part I. Fuzzy Sets and Systems, 54, pp. 1-9. https://doi.org/10.1016/0165-0114(93)90355-l
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Todos los Derechos Reservados © 2019 IMEF | Aviso de Privacidad IMEF | Información Legal
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.
PlumX detalle de metricas
