Using a dynamic artificial neural network for forecasting the volatility of a financial time series

La habilidad para obtener pronósticos precisos de la volatilidad es un importante problema para el analista financiero. En este artículo, se usa el modelo DAN2, un perceptrón multicapa y un modelo ARCH para pronosticar la varianza condicional mensual de una acción. Los resultados muestran que el modelo DAN2 es más preciso para pronosticar las varianzas dentro-de-la-muestra y fuera-de-la-muestra que los otros modelos considerados para el conjunto de datos utilizado. Así, el valor de esta red neuronal como herramienta predictiva es demostrado.The ability to obtain accurate volatility forecasts is an important issue for the financial analyst. In this paper, we use the DAN2 model, a multilayer perceptron and an ARCH model to predict the monthly conditional variance of stock prices. The results show that DAN2 model is more accurate for predicting in-sample and out-of-sample variance that the other considered models for the used dataset. Thus, the value of this neural network as a predictive tool is demonstrated