Pronóstico de la volatilidad usando ensambles de redes neuronales basados en familias de funciones de error

En esta tesis se estudia el pronóstico de la volatilidad condicional de series de tiempo financieras mediante ensambles de pronóstico de redes neuronales artificiales. La primera contribución de esta tesis es el planteamiento de un proceso de especificación de modelos de volatilidad condicional por medio de una técnica de remuestreo por bootstrapping, donde cada modelo se estima usando diferentes funciones de error como criterios de optimización. La segunda contribución de este trabajo es la combinación no lineal de los conjuntos de pronósticos de volatilidad por medio de una red neuronal artificial, así como la aplicación del remuestreo por bootstrapping para hallar la distribución muestral de los parámetros de la red. La tercera contribución de esta tesis es la definición y aplicación empírica de un contraste estadístico de dominancia de pronósticos en combinaciones no lineales de pronósticos de volatilidad condicional para determinar la significancia de las variables de entrada de la red.Abstract: In this thesis the aim is to study the conditional volatility forecasting of financial time series with forecasts ensemble of artifical neural networks. The first contribution of this thesis is the proposal of a specification process for conditional volatility models with a bootstrapping technique, where each model is estimated using different error functions as optimization criteria. The second contribution of this work is the nonlinear combination of volatility forecast sets by a neural network; likewise, the application of bootstrapping technique to find the simple distribution of the neural network weights. The third contribution of this thesis is the definition and empirical application of a statistical test for forecasts encompassing in nonlinear forecasts combination of conditional volatility forecasts to evaluate the significance of the input variables in the neural network.Doctorad