Resumen

Entre varios métodos de selección de variables, LASSO es el procedimiento de estimación más deseable para manejar la regularización y la selección de variables simultáneamente en los modelos de regresión lineal de alta dimensionalidad cuando existe multicolinealidad entre las variables predictoras. Dado que LASSO es inestable bajo alta multicolinealidad, se ha utilizado el estimador de red elástica (Enet) para superar este problema. Según la literatura, la estimación de los parámetros de regresión puede mejorarse al agregar información previa sobre los coeficientes de regresión al modelo, la cual está disponible en forma de restricciones lineales exactas o estocásticas. En este artículo, propusimos un estimador tipo LASSO restringido estocástico (SRLASSO) incorporando restricciones lineales estocásticas. Además, comparamos el rendimiento de SRLASSO con LASSO y Enet en base al criterio de error cuadrático medio (RMSE) y al criterio de error absoluto medio de predicción (MAPE) en un estudio de simul

• Materias:Gestión de riesgos Pronóstico de la covolatilidad Modelo de crecimiento Estimación de la media Función de error
• Subjects:Risk management Covolatility forecasting Growth model Mean estimation Error function
• Palabras claves:Lazo; Selección de variables; Regularización; Alta dimensionalidad; Multicolinealidad; Estimador
• Keywords:Lasso; Variable selection; Regularization; High-dimensional; Multicollinearity; Estimator