Usando redes neurais para estimação da volatilidade : redes neurais e modelo híbrido GARCH aumentado por redes neurais

• Main Author: Oliveira, André Barbosa
• Other Authors: Ziegelmann, Flavio Augusto
• Format: Others
• Language: Portuguese
• Published: 2010
• Subjects: Estimação; Modelo matemático; Redes neurais; Volatilidade; Mercado financeiro; Volatility; Artificial neural networks; GARCH models
• Online Access: http://hdl.handle.net/10183/25787

As séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, a sua variabilidade, representada pela volatilidade, consiste em importante informação para o mercado. Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções de distintas classes, possuindo a propriedade de aproximadores universais. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (Feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, é proposto um modelo híbrido que combina o modelo GARCH e redes neurais. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a choques de maior magnitude e sua suavidade, do que quantitativas, apresentando critérios de erros de previsão em relação a uma medida de volatilidade benchmark muito próximos. === The financial time series are characterized by complex and non-linear behaviors. In addition to the financial market trend in prices their variability or volatility, a risk estimate, is important information for the market players. Neural networks are flexible nonlinear models capable of describing functions of different classes, having the property of universal approximators. This paper employs neural networks, specifically one hidden layer feedforward Multilayer Perceptron, for volatility forecasting. Moreover, we propose a hybrid model that combines the GARCH model with neural networks. The GARCH and neural network models are estimated over two financial series: the S&P500 composite index and prices of Brent oil. The results indicate that the volatility approximated by neural networks is very similar to that estimated by the traditional GARCH models, while their differences are more qualitative than quantitative, with information content that differs from and complements each other for different market environments.