¿Podemos prever los tipos de cambio brasileños? Evidencias empíricas mediante inteligencia computacional y modelos econométricos

Can we forecast Brazilian exchange rates? Empirical evidences using computational intelligence and econometric models

Los enfoques de inteligencia computacional, como las redes neuronales artificiales y los sistemas difusos, se han convertido en herramientas populares para aproximar sistemas no lineales complicados y prever series temporales. En las aplicaciones financieras, hay pruebas de que estos modelos de inteligencia computacional son capaces de proporcionar una previsión más precisa dada su capacidad para captar las no linealidades y otros hechos estilizados de las series temporales financieras. Así, este trabajo investiga la hipótesis de que los modelos matemáticos de percepción multicapa, las redes neuronales (NN) de función de base radial y los sistemas difusos de Takagi-Sugeno (TS) son capaces de proporcionar una previsión fuera de muestra más precisa que los modelos tradicionales de media móvil autorregresiva (ARMA) y de heteroskedasticidad condicional autorregresiva generalizada (ARMA-GARCH). Utilizando una serie de rendimientos del tipo de cambio brasileño (R$/US$) con una base de 15 minutos, 60 minutos, 120 minutos, diaria y semanal, se compara el rendimiento de la previsión con un paso de antelación. Los resultados indican que el rendimiento de la previsión está fuertemente relacionado con la frecuencia de la serie, posiblemente debido a efectos de no linealidad. Además, la evaluación de las previsiones muestra que los modelos NN funcionan mejor que los ARMA y ARMA-GARCH. En la estrategia comercial basada en previsiones, los modelos NN obtienen mayores rendimientos que la estrategia de comprar y mantener y que los demás modelos considerados en este estudio.

1. INTRODUCCIÓN

La literatura relacionada con la previsión de series temporales financieras ha registrado, desde la década de los noventa, importantes avances relacionados con la incorporación de nuevas metodologías que tratan de determinar patrones de relaciones presentes en los datos de los mercados financieros. Estas metodologías, en su mayoría intensivas en computación, se caracterizan por la capacidad de identificar y pronosticar sistemas dinámicos no lineales, es decir, sistemas en los que las variables del entorno tienen un patrón complejo de interrelaciones que cambia con el tiempo.

La creciente observación, recogida en diversos trabajos científicos, sobre la presencia de comportamientos no lineales en las series financieras ha generado críticas respecto al uso de modelos lineales en la explicación (y predicción) de la dinámica de los precios (PÉREZ-RODRÍGUEZ et al., 2005; ABHYANKAR et al., 1995).