Thesis:

Propuesta para mejorar la precisión en el pronóstico de los retornos de tipo de cambio mediante un modelo híbrido que incluye vectores autorregresivos y redes neuronales.

La metodología propuesta muestra que efectivamente es posible mejorar la precisión en el pronóstico de los retornos del tipo de cambio EUR/USD al componer modelos autorregresivos y redes neuronales en un modelo híbrido que analiza los residuales del modelo lineal para modelar la componente no lineal de corto y largo plazo entre las series. En general, el mejor pronóstico de ANN está dado por el tamaño de ventana de 252días, mientras que los peores pronósticos se encuentran para la ventana de 42 días. Más aún, los mejores pronósticos se concentran en el caso de 2 capas ocultas para la ventana de 252días donde se encuentra la mayor cantidad de variaciones negativas del MSE. En particular, el modelo VEC-ANN con una configuración de 2 capas ocultas y 20 neuronas por capa para una ventana corrediza de 252 días mejora el MSE del mejor modelo VAR-VECM un26; 883% y las pruebas DM y MCS confirman estadísticamente que dicho modelo tiene mayor capacidad predictiva que el modelo de referencia y que todos los modelos en estudio, respectivamente. Además, puede verse durante el análisis que, para todos los tamaños de ventana corrediza, a medida que se aumenta el número de capas ocultas los pronósticos se vuelven más planos, es decir, se concentran dentro de cotas mucho más pequeñas. Por otro lado, al aumentar el número de neuronas en cada capa oculta los pronósticos tienden a extender levemente las cotas que restringe el aumento del número de capas ocultas. Esta metodología tiene la ventaja de ser simple y bastante certera para mejorar los pronósticos. Los resultados son importantes en el contexto de los mercados financieros donde manejar mayor información es fundamental para obtener beneficios. Además, es una nueva metodología propuesta para aportar al desarrollo de procesos de investigación científica.

The proposed methodology demonstrates that it is indeed possible to improve the accuracy of EUR/USD exchange rate return forecasts by combining autoregressive models and neural networks into a hybrid model that analyzes the residuals of the linear model to model the short- and long-term nonlinear components across the series. In general, the best ANN forecast is achieved with a 252-day window, while the worst forecasts are found with a 42-day window. Furthermore, the best forecasts are concentrated in the case of two hidden layers for the 252-day window, where the greatest number of negative MSE variations are found. Specifically, the VEC-ANN model with a two-hidden-layer configuration and 20 neurons per layer for a 252-day sliding window improves the MSE of the best VAR-VECM model by 26.883%, and the DM and MCS tests statistically confirm that this model has greater predictive capacity than the reference model and all the models studied, respectively. Furthermore, the analysis shows that for all sliding window sizes, as the number of hidden layers increases, the forecasts become flatter, meaning they are concentrated within much smaller bounds. On the other hand, increasing the number of neurons in each hidden layer slightly extends the forecasts beyond the bounds imposed by increasing the number of hidden layers. This methodology has the advantage of being simple and quite accurate for improving forecasts. The results are important in the context of financial markets, where managing more information is crucial for profitability. Moreover, it is a new methodology proposed to contribute to the development of scientific research processes.