Documente Academic
Documente Profesional
Documente Cultură
DIRECTOR AUTOR
Prof. Dr. Carlos Mat Jimnez Gabriel Gmez Rojo MADRID, Junio de 2007
Fdo.: .
Fecha: 27/06/2007
V B del Coordinador de Proyectos PROF. DR. MIGUEL NGEL SANZ BOBI Fdo.: . Fecha: 27/06/2007
DIRECTOR AUTOR
Prof. Dr. Carlos Mat Jimnez Gabriel Gmez Rojo MADRID, Junio de 2007
2
MTODOS DE PREDICCIN PARA LOS MERCADOS DE DIVISAS Autor: Gmez Rojo, Gabriel Director: Mat Jimnez, Carlos Entidad colaboradora: ICAI Universidad Pontifica de Comillas RESUMEN DEL PROYECTO
Los mercados de divisas ejercen una gran influencia en la economa internacional actualmente. De forma adicional, son el mayor mercado financiero del mundo y un gran vehculo de especulacin. Predecir su comportamiento futuro aporta importantes ventajas competitivas a los actores del mercado pero es una tarea compleja en la que se estn vertiendo continuamente grandes esfuerzos de investigacin sin obtener resultados definitivos. En este proyecto se ha buscado un enfoque original al problema de su prediccin y se han desarrollado tres modelos diferentes, el ltimo de ellos con resultados muy positivos. Los tipos de cambio y los mercados de divisas son influidos por un amplio rango de factores macroeconmicos, a la vez que repercuten en ellos: las variaciones del comercio internacional, los cambios en los tipos de inters y la inflacin son los principales. Segn la hiptesis del mercado eficiente, la mayor parte de la informacin sobre este entorno macroeconmico est ya contenida en la serie temporal de los tipos de cambio, lo que dificulta la prediccin hasta el punto que numerosos estudios han reconocido la aleatoriedad de los tipos de cambio, apuntando al paseo aleatorio como modelo muy difcil de batir en la prediccin del mercado de divisas. Sin embargo, el uso de algunos modelos de prediccin resulta particularmente prometedor. Las redes neuronales han tenido gran auge en los ltimos aos y se han obtenido resultados positivos en la prediccin de tipos de cambio. Esto es debido a las especiales caractersticas de esta tcnica, ya que las redes neuronales son capaces de generalizar, responden bien a series con ruido, capturan no-linealidades y son autoadaptativas. As pues, los tres modelos de este proyecto han hecho uso de un tipo de red neuronal, el perceptrn multicapa, caracterizado por su versatilidad y practicidad.
El primer modelo de prediccin desarrollado lleva a cabo una estrategia de tipo divide y vencers para afrontar el problema. La serie a predecir es descompuesta en diferentes subtendencias, cada una de ellas representando los diferentes horizontes temporales de los inversores del mercado. Se entrena una red neuronal para cada una de las subtendencias para que sta se especialice en su serie particular y aprenda los patrones propios de la subtendencia que se le ha asignado. La misin de cada una de estas redes neuronales es realizar la prediccin de su subtendencia para que luego se realice el sumatorio de todas las predicciones obteniendo una prediccin final del tipo de cambio. El resultado obtenido para este modelo ha sido mixto: las subtendencias son predichas con precisin pero al realizar la combinacin final el error de precisin se ve fuertemente amplificado, obtenindose un error final elevado. Esto es debido a que existe una fuerte correlacin entre los errores de las predicciones de las subtendencias, lo que hace que la combinacin amplifique el error final. Estudiar las causas de esta correlacin se propone como desarrollo futuro. El segundo modelo de prediccin consiste en buscar autocorrelaciones en la serie de mximos, mnimos y cierres de tipos de cambio y utilizar los perodos ms autocorrelacionados como entradas para un perceptrn multicapa. Estas autocorrelaciones son buscadas tambin en los cuadrados de la serie, buscando as perodos con fuerte autocorrelacin de la volatilidad. Adicionalmente se buscan mejoras en la prediccin usando diferentes funciones de entrenamiento para las redes neuronales. Cada una de las arquitecturas que obtiene buenos resultados es al final combinada con las otras mediante una regresin mltiple. Este modelo obtiene una precisin mejor que la obtenida por el modelo benchmark. El ltimo modelo intenta capturar dos aspectos de los tipos de cambio, volatilidad y direccionalidad, respectivamente mediante dos aproximaciones diferentes: modelos ARCH y redes neuronales. Hay enorme literatura acerca de la bondad de los modelos ARCH para predecir la volatilidad, y en particular el modelo GARCH(1,1) ha sido loado como imbatible en los tipos de cambio. As pues, se realiza una prediccin de los intervalos de mximo y mnimo diario de la serie de tipos de cambio usando GARCH(1,1) para predecir la amplitud del intervalo y un perceptrn multicapa para predecir el valor del centro del intervalo. De esta manera se obtienen predicciones de mximos y mnimos diarios con alta precisin; los resultados no slo superan la
precisin del modelo de referencia sino que tambin superan la precisin de variados modelos exitosos publicados. Utilizando este ltimo modelo de prediccin, se ha desarrollado una aplicacin para el software matemtico MATLAB que permite visualizar 5 tipos de cambio diferentes y calcular sus predicciones obtenidas mediante el modelo explicado. Esta aplicacin descarga en tiempo real los datos de los tipos de cambio por Internet de la plataforma FXTrade de OANDA, a travs de la API de Java cedida gratuitamente por Olsen and Associates para los fines de investigacin de este proyecto. Por ltimo, de la investigacin realizada en este proyecto, se puede concluir que la serie de cierres muestra una gran aleatoriedad, que en los modelos de prediccin debe primar la parsimonia (en particular, las arquitecturas de redes neuronales deben ser tan sencillas como sea posible) y que, an siendo la prediccin de tipos de cambio un problema complicado, pueden obtenerse buenos resultados combinando mltiples modelos que capturen diferentes aspectos del comportamiento del mercado. Una nica aproximacin nunca debera bastar.
THE FOREIGN
EXCHANGE
In the current global economy, foreign exchange markets play a prominent and relevant role. Additionally they are the largest financial markets of the world and a big destination for speculators. Foreign exchange rate forecasting provides important competitive advantages for all the market players, currently being a challenging task for both academic researchers and business practitioners. In this paper three different original forecasting models are developed, the last of them achieving an interesting predictive accuracy. Exchange rates and foreign exchange markets are influenced by a wide range of macroeconomic factors and vice versa: international trade variations, interest rate changes and inflation rates are the main ones. Following the efficient market hypothesis, most of the information of this macroeconomic environment is already contained in the exchange rate time series, making difficult its prediction. Many researchers have found exchange rates as random, pointing to the random walk as an unbeatable forecasting model. However, some forecasting models are particularly promising. Artificial neural networks have gained considerable attention in the last years and positive accuracy results have been obtained using them in prediction models of exchange rates. This is due to the special characteristics of this technique: neural networks are good generalizing, perform well in noisy environments, capture non-linearities and are selfadaptive. Thus, the three models introduced in this paper have made use of a class of neural network, the multi-layer perceptron, characterized by its versatility and practical features. The first forecasting model developed in this project applies a divide and conquer strategy to face the problem. The time series to be predicted is decompounded in several sub-trends, each of them representing different time horizons of the market players. A neural network is trained for each of the sub-trends, so each network specializes in its own series and learns the individual patterns of its assigned sub-trend. 6
The mission of each one of this neural networks is to predict its sub-trend as better as possible; later the summatory of the individual predictions will be calculated, providing a final forecast of the exchange rate series. Mixed results have been obtained with this model: the sub-trends are predicted accurately but, when the predictions are combined, the accuracy errors are severely amplified, resulting in a high final predictive error. Further research in the causes of this correlation is suggested as future development. The second forecasting model uses as inputs for several multi-layer perceptrons the most autocorrelated delayed periods of the time series and the time series squared, so effects of volatility are observed. Additionally several different training functions are used for each group of neural networks. Then the top performing neural networks are combined with a multiple regression, obtaining satisfactory accuracy for daily maximum, minimum and close values of the USD/JPY exchange rate. The last model intends to capture two key aspects of exchange rates, volatility and direction. This is made through two different approaches respectively: ARCH models and neural networks. There is huge literature about the optimum results of ARCH models predicting volatility and, specially, GARCH(1,1) has been acclaimed as unbeatable for exchange rates. Therefore, it is made a prediction of the daily maximum and minimum interval of the time series using GARCH(1,1) to predict the interval width and a multi-layer perceptron to predict the value of the interval center. This way, a highly accurate forecast of daily maximums and minimums is obtained: the results are not only better than the benchmark model but also improves the accuracy of other successful models published. Using this last forecasting model, a graphic user interface for the mathematical software MATLAB is developed, allowing to show 5 different exchange rates and calculate their predictions, obtained through the explained model. This application downloads in real time through the Internet the currency quotes from the FXTrade platform of OANDA, using the JAVA API provided free of cost by Olsen and Associates for the research purposes of this project. Finally, from the research made in this paper, it can be concluded that the close series shows a high random component, that an approach to forecasting models should
rely on parsimony (particularly, the neural networks architectures should be as simple as possible) and that, although the exchange rate forecasting is a complex problem, good results can be obtained combining multiple models that capture different aspects of the market behaviour. One individual approach alone should always be avoided.
Agradecimientos
A mi director, por el continuo apoyo para sacar adelante este proyecto. Y a mi familia y amigos, por estar siempre junto a m en los otros proyectos de mi vida.
ndice
I. OBJETIVOS 1. Introduccin y motivacin del proyecto................................... 14 2. Objetivos................................................................................. 15 II. DESARROLLO TERICO E IMPLANTACIN 1. Introduccin a los tipos de cambio.......................................... 17
1.1 Los tipos de cambio........................................................... 17 1.2 Tipos de cambio fijos, flexibles y dirigidos.............................. 20 1.3 Efectos de las variaciones del comercio sobre el tipo de cambio................................................................................. 21 1.4 Los tipos de cambio y la paridad del poder adquisitivo. La influencia de la inflacin........................................................... 23 1.5 Tipos de cambio y tipos de inters. Bonos nacionales frente a bonos extranjeros. ................................................................. 25
10
4.1 Introduccin................................................................................. 44 4.2 Mtodo de descomposicin......................................................... 45 4.3 Aplicacin de redes neuronales.................................................. 51 4.4 Resultados y conclusiones.......................................................... 53
11
2.2 Inversiones y costes materiales.................................................. 98 2.3 Servicios y mantenimiento anual................................................. 98 2.4 Presupuesto final......................................................................... 99
IV. Conclusiones y desarrollos futuros 1. Conclusiones.................................................................. 102 2. Desarrollos futuros......................................................... 104 V. Bibliografa........................................................................... 105 VI. Apndices A. Anlisis estadstico de las series de tipos de cambio............. 111
A.1 Serie de mximos A.2 Serie de mnimos A.3 Serie de cierres 112 117 122
12
I. Objetivos
13
14
2. Objetivos
1. Revisar el estado del arte y realizar documentacin de los siguientes elementos: mercados de divisas, mtodos de prediccin y software para prediccin en los mercados de divisas. Especialmente, hay que valorar la ubicacin de MATLAB en este contexto. 2. Revisar el estado del arte y realizar documentacin de los mtodos de prediccin para datos de tipo intervalo. 3. Construir una herramienta para realizar predicciones en los mercados de divisas que utilice como entrada el histrico de un mercado y proceda a predecir el intervalo de variacin de la divisa a analizar durante un determinado perodo, evaluando la exactitud de esas predicciones. 4. Encontrar la manera ms eficiente de disear la interfaz del sistema. 5. Encontrar la manera ms eficiente de ofrecer el sistema a potenciales clientes a partir de las pruebas que se realicen con la aplicacin.
15
mientras que l posee rublos rusos. Para poder realizar la transaccin, el importador ruso deber cambiar sus rublos por euros. Para ello deber comprar euros con su moneda y utilizarlos posteriormente para realizar la transaccin comercial. As pues, se podra definir el tipo de cambio como el precio de una moneda expresado en otra, es decir, la cotizacin de una divisa expresado en trminos de otra moneda. Normalmente se suele expresar en los mercados poniendo la denominacin de la divisa de la que se quiere dar el precio partida por la denominacin de la divisa que se usa como base y acompaado de la cotizacin propiamente dicha. Las denominaciones de las divisas usadas se basan en una denominacin de 3 siglas estipulada por el estndar ISO 4217 para cada moneda. Para el caso del euro, la denominacin ISO es EUR. As pues si se quiere expresar el tipo de cambio del euro respecto al dlar americano (USD en la nomenclatura ISO), se usara 1,2573 EUR/USD, lo que significa que hacen falta 1,2573$ para adquirir 1. A continuacin se muestra un cuadro de los tipos de cambio del jueves, 19 de octubre de 2006: Thu Oct 19 06:00:15 2006 Currency EUR/USD USD/JPY GBP/USD USD/CAD USD/CHF EUR/JPY EUR/GBP EUR/CHF GBP/CHF GBP/JPY
.
Bid 1.2573 118.60 1.8693 1.1353 1.2644 149.13 0.6724 1.5898 2.3637 221.72
Offer 1.2574 118.62 1.8696 1.1357 1.2647 149.15 0.6726 1.5900 2.3643 221.78
Time Thu Oct 19 06:00:12 2006 Thu Oct 19 06:00:14 2006 Thu Oct 19 06:00:14 2006 Thu Oct 19 06:00:05 2006 Thu Oct 19 05:59:56 2006 Thu Oct 19 06:00:12 2006 Thu Oct 19 06:00:14 2006 Thu Oct 19 06:00:12 2006 Thu Oct 19 06:00:14 2006 Thu Oct 19 06:00:14 2006
18
Es til conocer las equivalencias ISO de las diferentes monedas pues es la manera estndar de referirse a ellas en los mercados, y en este proyecto se referenciarn de la misma forma. Seguidamente se muestra una lista de las divisas ms populares y sus equivalencias de cdigos ISO con los nombres comunes de las diferentes monedas: Cdigo ISO EUR USD JPY GBP CHF CAD AUD NZD SEK CZK PLN HKD MXN ARS THB SGD ZAR HUF NOK Nombre comn Euro Dlar americano Yen japons Libra britnica Franco suizo Dlar canadiense Dlar australiano Dlar neozelands Corona sueca Corona checa Zloty polaco Dlar hongkons Peso mexicano Peso argentino Baht tailands Dlar de Singapur Rand sudafricano Forint hngaro Corona noruega
Tabla 1.1.2 Equivalencias ISO de divisas populares
El lugar en el que se intercambian unas monedas por otras es el denominado mercado de divisas, que ser motivo de estudio ms adelante.
19
formacin de la oferta y demanda de una divisa, lo que hace muy compleja la prediccin de su cotizacin en un momento dado. Es por ello por lo que este proyecto se va a centrar en encontrar una posible solucin a la prediccin de los tipos de cambio flexibles. Por ltimo, en la economa mundial tambin podemos encontrar los tipos de cambio dirigidos, en los que el tipo de cambio es determinado mayoritariamente por las fuerzas del mercado pero el gobierno tutela la cotizacin segn su propio inters nacional comprando o vendiendo moneda o modificando su oferta monetaria.
21
equilibrio de oferta y demanda. Pero si hubiera un descenso en la demanda de aparatos electrnicos japoneses por parte de Estados Unidos causado, por ejemplo, por el atractivo de un producto sustitutivo ms barato como pueden ser aparatos electrnicos chinos, la curva de demanda se desplazara. Estados Unidos cambiara menos yenes por dlares. As pues, el tipo de cambio del yen frente al dlar descendera, deprecindose el yen y aumentando el precio de los dlares en yenes. Como se puede ver, la variacin del comercio ha repercutido en el tipo de cambio.
Si el dlar siguiera subiendo frente al yen, puede que el yen se depreciara por debajo de unos niveles que pudieran ser considerados de equilibrio. En ese momento, los aparatos electrnicos japoneses volveran a ser atractivos para el consumidor americano, lo que empujara las importaciones americanas de aparatos japoneses. De esta forma, el tipo de cambio habra provocado una variacin del comercio exterior. En definitiva, el tipo de cambio se ve afectado entre otros factores por las variaciones del comercio y se ajustar hasta encontrar un punto de equilibrio.
22
1.4 Los tipos de cambio y la paridad del poder adquisitivo. La influencia de la inflacin
Es una idea de aceptacin extendida entre los economistas que los tipos de cambio, a pesar de sus fuertes variaciones en el corto plazo respondiendo a diversos hechos como la poltica monetaria, los acontecimientos polticos y los cambios sobre expectativas futuras, en el largo plazo son sin embargo determinados principalmente por los precios relativos de los bienes en los diferentes pases. Una de las importantes implicaciones de esta idea es la teora denominada PPA (paridad del poder adquisitivo). Aunque esta teora ha sido enunciada de una u otra forma a lo largo de toda la historia de la economa, Gustav Cassel [CASS23] es reconocido como el padre de esta teora en tiempos modernos, desarrollndola en 1923 en su artculo Tract on Monetary Reform. Segn esta teora, el tipo de cambio de una nacin ajustar el coste de adquisicin de los bienes comerciados dentro de sus fronteras con el coste total de adquisicin en el extranjero (incluyendo transporte y/o otros costes asociados). Para entender la PPA, como ejemplo, se puede suponer una cesta de bienes no diferenciables como alimentos, combustible, herramientas, etc... que cuesta 2.500 dlares en Estados Unidos y 25.000 pesos mexicanos en Mxico. Si suponemos la misma calidad para los bienes a un lado y a otro de la frontera y el tipo de cambio estuviera a 50 pesos por dlar, los individuos estadounidenses adquiriran los bienes en Mxico pues esta cesta les costara 500 $, que es una cantidad sensiblemente inferior a los 2.500 $ que les costara en su pas. De esta forma, se producira un flujo de capitales de Estados Unidos a Mxico, incrementndose la demanda de pesos mexicanos a cambio de dlares. Ello hara que la cotizacin del peso en dlares subiera, es decir, que el peso se apreciara con respecto al dlar. Como consecuencia, para los
23
compradores estadounidenses los precios de los bienes mexicanos estaran subiendo, aunque los precios nominales en pesos no variaran. Este proceso se producira hasta que los precios para los compradores estadounidenses fueran similares a los de su pas, por lo que parara cuando el tipo de cambio bajara hasta los 10 pesos por dlar (10 USD/MXN). Un interesante ndice de las diferentes divisas basado en la PPA es el ndice Big Mac elaborado anualmente por The Economist. Este ndice, recoge los diferentes precios de la hamburguesa Big Mac de la cadena de restaurantes McDondalds en diferentes pases. La idea es que al ser los ingredientes de la hamburguesa los mismos y disponer la mayora de los pases de produccin de dichos ingredientes, el Big Mac debera ser un buen ndice de comparativa de PPA. La siguiente tabla muestra el ndice Big Mac junto con ciertos valores explicativos:
BigMac Price in Local in US Currency dollars United States $3.10 3.10 Argentina Peso 7.00 2.2609 Australia A$3.25 2.4777 Brazil Real6.40 2.9835 Britain 1.94 3.6535 Canada C$3.52 3.1306 China Yuan10.50 1.3284 Euro area 2.94 3.7182 Hong Kong HK$12.00 1.542 Hungary Indonesia Japan Malaysia Mexico New Zealand Poland Russia Singapore South Africa Forint 560 Rupiah14,600 250 M$5.50 Peso29.0 NZ$4.45 Zloty6.50 Rouble48.00 s$3.60 Rand13.95 2.7134 1.5958 2.1049 1.4926 2.696 2.9201 2.1188 1.79 2.2945 1.8502
Country
1.00 3.0961 1.3117 2.1451 1.8832 1.1244 7.9045 0.7907 7.782 206.384 9149.13 118.769 3.6848 10.7565 1.5239 3.0678 26.8157 1.569 7.5399
-27.0049 -19.9512 -3.9672 17.7024 1.3874 -57.113 20.4478 -50.2699 -12.2994 -48.5197 -32.1372 -51.9648 -13.0758 -5.5056 -31.547 -42.198 -26.0676 -40.3175
2.26 1.05 2.06 0.625 1.14 3.39 0.9524 3.87 181 4,710 80.6 1.77 9.35 1.44 2.10 15.5 1.16 4.50 24
Tambin segn la PPA se establece que el diferencial de inflacin entre diferentes monedas es causa de variaciones en el tipo de cambio, deprecindose la moneda del pas con ms inflacin frente a la moneda del de menos inflacin en un valor anual cercano al diferencial de la inflacin entre los dos pases. As pues si en un pas la inflacin es del 8% y en otra nacin la inflacin es del 2%, el tipo de cambio del pas con ms inflacin debera depreciarse a un ritmo del 6% anual con respecto a la moneda del otro pas. Un ejemplo es el caso de Espaa en los aos 80 y 90, en los que la peseta fue devaluada en sucesivas ocasiones por el gobierno a causa de la fuerte inflacin en relacin con nuestros vecinos europeos. Como advertencia, se debe saber que la PPA es slo una aproximacin y se debe de tener en cuenta a ttulo orientativo, como una regla flexible, aunque es una buena gua para el largo plazo. Hay muchos factores que influyen de forma inmediata sobre el tipo de cambio a corto plazo, incluyendo la especulacin en los mercados y que los movimientos financieros pueden superar a los momentos comerciales en el corto plazo.
1.5 Tipos de cambio y tipos de inters. Bonos nacionales frente a bonos extranjeros.
La deuda pblica (que en este proyecto por motivos de simplificacin ser referida como bonos a pesar de la multitud de variantes que ofrece) es considerada como una inversin sin riesgo. Por ello, el tipo de inters que ofrecen los bonos nacionales es tenido en cuenta como el coste de oportunidad del dinero.
25
Pero qu pasa en una economa abierta global en la que los inversores tienen acceso tambin a bonos de otros pases? En ese caso, las posibilidades de inversin aumentan considerablemente y los agentes buscarn el mercado que ofrezca la mxima rentabilidad, teniendo en cuenta tambin la variacin en el tipo de cambio. Por ello, para que se den condiciones de equilibrio, tanto los bonos nacionales como los bonos extranjeros deben tener la misma rentabilidad total esperada, lo que implica que debe cumplirse la siguiente relacin para mantener el equilibrio, siendo i el tipo de inters nacional, i * el tipo de inters extranjero, E el tipo de cambio y Ee el tipo de cambio esperado: it = i*t + (Eet+1 Et)/Et, Esta relacin indica que el tipo de inters nacional debe ser igual al tipo extranjero ms la depreciacin esperada de la moneda nacional con respecto a la divisa extranjera. La relacin anterior puede expresar el tipo de cambio actual en funcin del tipo de cambio esperado y de los tipos de inters, quedando de la siguiente manera: E = Eet+1 / (1 + i i*) De esta forma se concluye que una variacin en los tipos de inters, ya sea el nacional o el extranjero, afecta al tipo de cambio. Un aumento de los tipos de inters locales o disminucin de los tipos de inters extranjeros, provocar una apreciacin de la moneda nacional, mientras que en el caso inverso la divisa local se depreciar. Como ejemplo, si los tipos de inters en Estados Unidos y en Europa son iguales, segn la relacin el tipo de cambio EUR/USD se mantendr estable, siendo E = Ee. Si se produjera una subida de tipos de inters en Estados Unidos, los inversores europeos encontraran ms atractivos los bonos americanos, ya que obtendran ms inters por su dinero en ese pas que en Europa. Por ello, se
26
producira un flujo de capital a Estados Unidos desde Europa, vendiendo los inversores sus euros por dlares. Este hecho empujara la cotizacin del dlar al alza pues aumenta su demanda e incrementa la oferta de euros, deprecindose el euro respecto al dlar, o lo que es lo mismo, desencadenando la apreciacin del dlar. Esta apreciacin del dlar continuar hasta que se halla cubierto el diferencial de tipos de inters entre las dos regiones, de forma que si todo lo dems permanece constante en el largo plazo se alcance de nuevo el equilibrio.
27
- Frankfurt: 5% - Hong Kong: 4% - Sidney: 3% - Zurich: 3% Otra caracterstica importante del mercado de divisas es que opera las 24 horas del da y 365 das al ao, aunque durante sbados y domingos la actividad es muy limitada. La siguiente figura, obtenida a travs de la plataforma de divisas OANDA, muestra una grfica OHLC del tipo de cambio EUR/USD entre el 19 de septiembre y el 27 de octubre de 2006, marcando entre lneas amarillas la actividad del fin de semana:
Figura 2.1.1 Grfico de OANDA. Entre barras amarillas los fines de semana.
29
Estas operaciones las podemos dividir en operaciones OTC y operaciones en mercados de derivados. Los derivados reciben este nombre porque son contratos sobre un subyacente (en este caso, las monedas) del que dependen o derivan y no se opera de forma directa sobre el mercado de divisas. Algunas otras caractersticas de los mercados de derivados son: - Los contratos se operan en mercados centralizados y organizados. El ms importante en el caso de futuros sobre divisas es el CME (Chicago Mercantile Exchange) y en el caso de las opciones de divisas el CBOT (Chicago Board Of Trade). - Las operaciones son del tipo contraparte-mercado-contraparte y existe la figura de cmara de compensacin, que liquida diariamente las prdidas y ganancias y elimina el riesgo de impago de las contrapartes. Para ello se solicitan unas garantas (depsitos que avalen a cada una de las contrapartes) que deben estar cubiertas permanentemente. En caso de que en algn momento no se pueda cumplir con la garanta la operacin es cerrada por la cmara de compensacin, liquidando las prdidas o ganancias. - Se manejan lotes o contratos de tamao normalizado. - Las fechas de vencimiento de los contratos son tambin normalizadas, siendo mensuales o trimestrales y son establecidas por la autoridad del mercado. A continuacin se explica los tipos de operaciones que pueden llevarse a cabo en el mercado de divisas: Operaciones OTC: - A plazo o forward: el comprador y el vendedor acuerdan llevar a cabo una transaccin en una fecha futura, por un precio y cantidad de mutuo acuerdo. Esta operacin al ser OTC es totalmente flexible en el tiempo y la cantidad, pero con riesgo de impago. Operaciones de este tipo suelen ser llevadas a
30
cabo normalmente por operadores comerciales/financieros que desean eliminar el riesgo de tipo de cambio en el futuro. Ejemplo: El comerciante A en Europa desea comprar al comerciante B en Japn una mercanca que debe pagar a 120 das por un total de 1.000.000 de yenes que al tipo de cambio de ese momento supone 10.000 euros. El comerciante A no quiere correr el riesgo de que el yen se aprecie en ese perodo y que acabe pagando una cantidad superior a los 10.000 euros. Por ello acude a los mercados con un contrato a plazo de 120 das y cantidad 10.000 euros por 1.000.000 de yenes. Independientemente de las variaciones del tipo de cambio en ese perodo, el comerciante A recibir 1.000.000 de yenes por sus 10.000 euros al cabo de 120 das, evitando correr el riesgo del tipo de cambio. - Swap: en esta transaccin dos contrapartes intercambian divisas y acuerdan el intercambio a la inversa en una fecha futura. Este tipo de operaciones es comn entre los operadores especuladores. Ejemplo: Un especulador alemn prev una cada de la corona sueca frente al euro durante el prximo mes mientras que un especulador en Suecia opina que el euro se depreciar frente a la corona sueca tambin durante el prximo mes. Los dos especuladores acuerdan entre ellos un intercambio de las coronas del sueco por los euros del alemn y realizar el intercambio inverso dentro de 30 das. Una vez que el alemn tiene coronas suecas las cambia inmediatamente en el mercado por euros (haciendo la operacin contraria el sueco) y conserva su dinero en euros hasta que pasan los 30 das. En ese momento deber devolver a su contraparte sueco sus coronas, por lo que cambia de nuevo euros por coronas en el mercado, devolvindole exactamente la misma cantidad de coronas que le haba proporcionado la contraparte 30 das atrs. Si la corona se ha depreciado entonces el especulador alemn habr necesitado menos euros que los que recibi hace 30 das para devolver la misma cantidad de coronas, obteniendo as un beneficio econmico. Viceversa en el caso del especulador sueco.
31
- Al contado o spot: es la forma ms clsica, involucrando el cambio de una divisa por otra en el plazo de 2 das. Este plazo de entrega es un remanente del pasado, en el que 2 das era el plazo que tardaba en cambiar los fondos de un banco a otro. Las operaciones de este tipo pueden ser llevadas a cabo por cualquier tipo de operador, ya sea comercial/financiero o especulador. Para las operaciones de especulacin actualmente no se respeta el plazo de 2 das de entrega sino que diariamente se cierra la posicin y se reabre inmediatamente durante otras 24 horas, pudindose alargar de forma artificial la operacin por tiempo ilimitado. Un ejemplo de operacin especulativa podra ser el siguiente: Un operador especulador espaol predice una depreciacin del dlar australiano frente al yen. Sin embargo el operador carece de yenes o dlares australianos, y aunque los tuviera lo que desea es beneficiarse de la forma ms ptima de la variacin en el tipo de cambio AUD/JPY que predice. Para llevar a cabo la operacin, solicita lo que podra llamarse un prstamo de 100.000 dlares australianos. Estando el tipo de cambio a 80 AUD/JPY cambia sus dlares australianos por yenes, recibiendo un total de 8.000.000 de yenes. Al cabo de unos das el tipo de cambio baja hasta 78,05 AUD/JPY. El especulador considera que se han cumplido sus expectativas y decide cerrar la operacin, por lo que cambia sus 8.000.000 de yenes por aproximadamente 102.500 dlares australianos despus de aplicar el tipo de cambio del momento. En ese instante amortiza el prstamo de 100.000 AUD que tena, recogiendo un beneficio de 2.500 AUD (menos los costes de operacin). Como se ha podido ver, en este tipo de operacin, el especulador se puede beneficiar de las variaciones en cualquier tipo de cambio sin ni siquiera disponer de ninguna de las divisas involucradas. Actualmente la operacin al contado es probablemente la ms popular entre los especuladores en el OTC y ser la que se utilice a lo largo de este proyecto para simulaciones de especulacin. Operaciones en mercados de derivados - Futuros: son similares a la operacin a plazo pero con la diferencia de que son contratos normalizados y se operan en mercados organizados. Entre los especuladores es de popularidad equivalente a las operaciones spot o al
32
contado. Diferencias adicionales a las ya explicadas en el modo de operar spot vs. futuros son los plazos de la operacin (en futuros normalmente un mximo de 3 meses mientras que en spot los plazos son virtualmente ilimitados mediante el mecanismo explicado anteriormente) y la forma en la que se cobra/deduce el inters (en spot el inters se cobra o deduce diariamente mientras que en los futuros el diferencial de tipos de inters viene incluido en la cotizacin del contrato, no deducindose ni cobrndose en ningn momento inters). - Opciones: son un derecho a comprar o vender en un plazo especfico una determinada divisa a un precio estipulado previamente. Por este derecho se paga una prima. Algunas de las posibilidades de uso ms populares son: como seguro de tipo de cambio para comerciantes, como herramienta de cobertura a inversores y como instrumento de especulacin directa. C. Mat y A. Oliva [MATE03] exponen mtodos para calcular los precios de las opciones financieras segn la volatilidad.
33
Segn el citado estudio, en el 89% de las operaciones estuvo involucrado el USD, seguido por el EUR con el 37%, el yen con el 20% y la libra con el 17%. Hay que tener en cuenta que el USD ejerce de moneda puente en la mayora de los tipos de cambios. Es decir, si un comerciante desea intercambiar pesos mexicanos por yenes, deber cambiar primero sus pesos por dlares y luego sus dlares por yenes. Segn Wikipedia [WIKI07] slo hay una excepcin a este uso del USD como moneda puente que es el caso del tipo de cambio EUR/JPY, en el que el tipo de cambio es directo entre euros y yenes. Otras fuentes bien informadas aseguran que tambin existen los tipos de cambio directos en el caso de EUR/GBP y EUR/CHF. De acuerdo con el artculo de The Wall Street Journal Europe (2/9/06 p. 20) [WALLS06] los mayores operadores del mercado de divisas durante 2005 fueron:
Puesto 1 2 3 4 5 6 7 8 9 10
Nombre Deutsche Bank UBS Citigroup HSBC Barclays Merrill Lynch J.P. Morgan Chase Goldman Sachs ABN AMRO Morgan Stanley
% de volumen total 17.0 12.5 7.5 6.4 5.9 5.7 5.3 4.4 4.2 3.9
34
3.1 Introduccin
Como se explic en anteriores captulos, los tipos de cambio estn correlacionados con multitud de factores que interactan de forma altamente compleja. Las series temporales de los tipos de cambio muestran alta volatilidad, ruido y no-linealidad; Fang et al. [FANG94] demostraron estructuras fractales en la formacin de precios del mercado de futuros de divisas. Por ello, se ha investigado ampliamente la aplicacin a la prediccin de los mercados de divisas de modelos no-lineales, entre los que se encuentran las redes neuronales artificiales. Algunos modelos paramtricos no-lineales como el modelo de varianza aleatoria autorregresiva (ARV) aplicado por So et al. [SOLA99], el de heteroscedasticidad condicional autorregresiva (ARCH) por Hsieh [HSIE91], dinmica del caos por Peel y Yadav [PEEL95], han sido probados. Aunque estos modelos pueden alcanzar buenos resultados en determinadas circunstancias, su rendimiento no es satisfactorio en otras situaciones. Esto es debido a que estos modelos estn restringidos a ser tiles en unos determinados patrones no-lineales, sin ser lo suficientemente generales para capturar todas las no-linealidades de la serie de datos.
35
Sin embargo, las redes neuronales artificiales son tiles a la hora de encontrar soluciones precisas en un entorno caracterizado por informacin parcial, compleja, ruidosa o irrelevante. Algunas de las caractersticas que hacen a las redes neuronales especialmente prcticas para este propsito son: - Son autoadaptativas. - Son capaces de generalizar. - Son no-lineales. Es por ello por lo que se ha dedicado multitud de recursos de investigacin al uso de redes neuronales en la prediccin de los tipos de cambio. En este captulo se expondrn algunos de los resultados y enseanzas obtenidos en el pasado.
para el diseo de las redes neuronales es probablemente la principal causa de las inconsistencias encontradas en los diferentes trabajos de investigacin sobre prediccin del mercado de divisas usando redes neuronales.
37
[ZHAN98] tampoco encontraron diferencias significativas entre el uso de datos normalizados y datos originales. Habitualmente el conjunto de datos es dividido en dos, el conjunto de entrenamiento y el conjunto de prueba. El conjunto de entrenamiento es usado para el ajuste de la red neuronal mientras que el conjunto de prueba se utiliza para comprobar la capacidad predictiva de sta. En otras ocasiones se usa un tercer conjunto, denominado conjunto de validacin. Yao et al. [YAOT00] sugieren el uso de los conjuntos de entrenamiento, validacin y prueba, conteniendo respectivamente el 70%, el 20% y el 10% de los datos. Otro de los factores a tener en cuenta es el tamao de la muestra. Para averiguar qu tamao era ptimo para el entrenamiento, Zhang y Hu [ZHAN98] usaron dos tamaos de muestra diferentes para el entrenamiento. Finalmente concluyeron que el tamao de muestra superior obtena resultados mejores que el tamao de muestra pequeo. Sin embargo, Kang [KANG91] encontr en otra investigacin que no son necesarias muestras grandes para obtener un buen rendimiento. Walczak [WALC01] obtuvo como conclusin que generalmente 2 aos de muestras son suficientes en series financieras.
- Su velocidad de entrenamiento es aceptable comparada con otras redes ms complejas. El MLP est formado por tres capas: capa de entrada, capa oculta y capa de salida. La capa oculta est formada por un nmero de neuronas arbitrario y puede ser a su vez dividida en ms capas. Cada una de las capas tiene conexiones con la siguiente capa, pero no entre neuronas de la misma capa. El flujo de datos va desde la capa de entrada hasta la capa de salida.
capa de salida
No hay un mtodo preciso para escoger la estructura exacta del perceptrn multicapa por lo que debe ser utilizado un mtodo de prueba y error o de cruce-validacin. En este proyecto se estudiar el uso de algoritmos genticos para la eleccin del tipo de estructura del perceptrn multicapa. Otras arquitecturas de tipo feedforward tiles para la prediccin son:
39
- Redes de funcin de base radial (RBFN): estas redes usan una funcin gaussiana en las neuronas de la capa oculta. Generalmente tienen un tiempo de entrenamiento reducido, requiriendo menor tamao muestral, y, a diferencia del perceptrn multicapa, no se bloquean en mnimos locales. - Redes neuronales de regresin general (GRNN): son redes con memoria basadas en estimaciones de funciones de masa de probabilidad. Tienen cuatro capas: capa de entrada, capa de patrn, capa sumatoria y capa de salida. Las GRNN muestran buen rendimiento en entornos ruidosos con suficientes datos. Como desventajas, tienen ciertos problemas con datos irrelevantes, necesitan tamao muestral elevado y necesitan almacenar todas las muestras para la prediccin. 3.4.2 Retroalimentacin En las redes neuronales retroalimentadas se forman ciclos en las conexiones, de forma que los nexos no tienen porqu seguir una jerarqua especfica. En este tipo de redes, cada vez que se introduce una entrada, la red neuronal debe iterar hasta generar la salida, siendo un proceso potencialmente lento. Las redes neuronales recurrentes pueden aprender patrones temporales extremadamente complejos, lo que es de gran utilidad para predicciones del mercado de divisas. Sin embargo, requieren un elevado nmero de conexiones, gran cantidad de memoria y un prolongado tiempo de entrenamiento debido a su poco gil tiempo de respuesta.
40
41
- Wei y Jiang [WEIJ95]: mediante el uso de un MLP obtuvieron mejores resultados que mediante modelos AR(p), ARMA(p, q) y ARIMA(p, d, q) para el tipo de cambio GBP/USD. - Lisi y Schiavo [LISI99]: en trminos de error cuadrtico medio normalizado, el MLP se comport mejor que el modelo catico y el de paseo aleatorio, para un conjunto de 4 divisas. - Yao y Tan [YAOT00]: obtuvieron mucho mejores resultados mediante MLP que mediante ARIMA en 5 divisas. - Leung et al. [LEUN00]: usando GRNN obtuvieron mejores resultados que el modelo de paseo aleatorio y que funciones paramtricas de transferencia multivariacin.
Seguidamente se enuncian algunos estudios en los que las redes neuronales obtuvieron resultados pobres o mixtos: - Episcopos y Davis [EPIS96]: en su estudio, redes de tipo MLP obtuvieron resultados similares que el modelo EGARCH, aunque superaron los resultados del paseo aleatorio. - Hu y Tsoukalas [HUTS99]: obtuvieron resultados mixtos comparando MLP con modelos MAV, GARCH, EGARCH, IGARCH, OLS y AVE para un variado grupo de divisas. Las redes neuronales no siempre se comportaron mejor que otros modelos. - Kuan y Liu [KUAN95]: usaron MLP y RNN contra el modelo de paseo aleatorio, obteniendo resultados mixtos. - Billio, Sartore y Toffano [BILL00]: en su estudio compararon redes neuronales, lgica borrosa, modelos GARCH, regimen cambiante y dinmica
42
del caos para la prediccin de DEM/USD. Todos los modelos tuvieron comportamiento similar al paseo aleatorio excepto el de lgica borrosa. Despus de revisar la literatura sobre el uso de redes neuronales en la prediccin de tipos de cambio podemos concluir que las redes neuronales son una tcnica a tener en cuenta a la hora de realizar predicciones, con resultados similares o superiores a otras tcnicas. Por ello, se aplicar su uso en este proyecto.
43
4.1 Introduccin
En los mercados financieros actan una variedad de agentes con diferentes horizontes temporales. Cada uno de ellos se ve influido de forma distinta por las noticias o por la propia cotizacin, reaccionando de forma diferente ante los estmulos. Las motivaciones de los movimientos a muy corto plazo suelen ser diferentes a las motivaciones de los movimientos a largo plazo. Por ello, en este proyecto se ha decidido crear un modelo que descomponga la serie principal en diferentes subtendencias que representen de forma esquemtica los horizontes temporales de los actores del mercado e intentar predecir de forma individual cada una de ellas para obtener finalmente una prediccin global al combinarlas. Las ventajas que se esperan obtener mediante un modelo de este tipo son las siguientes: - Mejor ajuste especfico, causando una mejora en el ajuste global. Es una estrategia de tipo divide y vencers. Al entrenarse una red neuronal distinta para cada una de las subtendencias, se espera obtener una especializacin que mejore significativamente los resultados globales. Es de esperar que los patrones para cada subtendencia sean distintos; la misin de cada una de las redes neuronales entrenadas es aprender estos patrones encontrados en su subtendencia para conseguir un resultado superior al aprendizaje que podra
44
llevar a cabo una red neuronal general trabajando sobre la serie temporal global. - Reduccin del error global al combinarse los errores aleatorios de las subtendencias. Siendo los errores de las predicciones aleatorios y teniendo las diferentes subtendencias baja correlacin entre ellas (como se demostrar ms adelante), es de esperar que los errores de sus predicciones tengan tambin baja correlacin unos con otros. Esto facilitara una reduccin del error combinado respecto al error global que cabra esperar. Los resultados que se exponen a lo largo de este captulo son referentes a la puesta en prctica de este modelo con la cotizacin del tipo de cambio EUR/USD en perodos de 60 minutos desde 2003 hasta 2007. Estos datos han sido extrados de la base de datos de Visual Chart.
45
instantneamente en el precio de los activos. Es por ello por lo que habitualmente se trabaja sobre los datos crudos. Una de las principales diferencias del mtodo de descomposicin aplicado aqu frente a otros mtodos es que no se busca descomponer en una serie ciclo-tendencia, una componente estacional y un error, si no descomponer en una serie ciclo-tendencia y sucesivas subtendencias operando sobre la tendencia principal. El proceso es recursivo y acaba cuando la ltima subtendencia tiene un horizonte temporal de un perodo. El algoritmo es el siguiente: - Paso 1: Un alisado exponencial simple es aplicado a los datos originales para obtener la serie ciclo-tendencia (o T1 en el modelo desarrollado en este captulo). El alisado exponencial es un mtodo de suavizado para series temporales derivado de la media mvil. Se basa en el principio de que en prediccin las observaciones ms recientes son las que mejor servirn de gua para el futuro. As pues, va reduciendo el peso de las observaciones a medida que son ms antiguas, implicando una reduccin exponencial de los pesos en el tiempo. Siendo Yt el dato observado en el perodo t y Ft el valor del suavizado exponencial en t, la estimacin de Ft+1 se calcula como: Ft+1 = Ft + (Yt Ft), donde es una constante entre 0 y 1 que determina el peso que tendrn las observaciones recientes. A menor el suavizado ser mayor. Para el clculo de la serie ciclo-tendencia, se debe escoger un valor de
46
- Paso 2: Es calculada la diferencia entre el ciclo-tendencia y los datos originales, refirindonos a ella como D1. Para otras series econmicas podra ser ms recomendable calcular el ratio entre los datos originales y el ciclotendencia en lugar de la diferencia; para los tipos de cambio esto no es crtico ya que estos suelen oscilar en un rango limitado lo que hace que la diferencia entre los datos sea aceptable. - Paso 3: En este paso se calcula el alisado exponencial de la serie resultante en el paso 2, que denominaremos T2. Esta vez el valor de debe ser superior al utilizado en el paso 1, pues se desea obtener las caractersticas de la serie a un plazo menor. En el modelo desarrollado en este captulo se ha escogido como proporcin entre los diferentes valores de usados para el clculo de cada una de las subtendencias un valor aproximado de 2, siendo el nmero ureo:
n = 2 n-1
47
La razn para escoger esta proporcin es que el nmero ureo es frecuentemente utilizado en el anlisis tcnico de los mercados como referencia para proporciones temporales y de precios. De cualquier forma, la eleccin de la proporcin entre los diferentes valores de usados en este mtodo de descomposicin requiere experimentacin. La siguiente figura muestra en rojo la diferencia entre los datos originales y T1, denominada D1, y el alisado exponencial de sta con = 0,0035 (T2):
- Paso 4: Se calcula la diferencia entre D1 y T2 , siendo sta D2. - Paso 5: Se halla T3, que es el alisado exponencial simple de D2 utilizando un valor de aproximadamente 2 veces superior al valor de usado en el calculo de la subtendencia anterior. - Paso 6: Los pasos 4 y 5 pueden ser repetidos, descomponiendo en nuevas subtendencias, mientras el valor de n cumpla la relacin: 48
2 n < 1
En el caso desarrollado en este captulo, se calcul hasta T7, quedando un residuo final D7. A continuacin se muestra en 3 grficos los resultados obtenidos, con las 7 tendencias calculadas y el residuo final.
Figura 4.2.3
49
Figura 4.2.4
Figura 4.2.5
50
generalice
al
mximo
posible.
Incluir
excesivos
valores
puede
ser
contraproducente para nuestro inters. Otra cuestin relevante a decidir es el nmero de neuronas que formarn la capa o capas ocultas. De nuevo, un nmero pequeo de neuronas servir mejor a nuestros propsitos ya que de lo contrario se corre riesgo de sobreajuste. Despus de realizar pruebas con topografas de 6, 24 y 150 neuronas en la capa oculta, distribudas en 1, 2 y 3 capas, se obtuvieron los mejores resultados en trminos de error cuadrado medio con 6 neuronas en 1 nica capa oculta. Tanto las neuronas de la capa oculta como la de salida, usan como funcin de transferencia la tangente hiperblica sigmoidal ya que pruebas con otras funciones de transferencia dieron resultados insatisfactorios.
Figura 4.3.1
La siguiente pregunta a responder sera, es necesaria alguna transformacin o normalizacin de los datos de entrada? Shanker et al. [SHAN96] investigaron la efectividad de mtodos de normalizacin lineales y estadsticos, encontrando que no necesariamente desembocaban en resultados superiores. El Shazly et al. [ELSH97] aplicaron normalizacin y transformaciones a los datos para despus descartarlos. Zhang y Hu [ZHAN98] no encontraron significativas diferencias entre los resultados usando datos normalizados y datos originales. Adicionalmente, todas las entradas que recibirn las redes tendrn valores estacionarios prximos a 0, excepto T1 ya que es la serie ciclo-tendencia. Por ello se ha descartado realizar transformaciones o normalizaciones en D7 y T2 a T7. Para el caso de T1 sin
52
embargo s que se har una pequea transformacin que consiste en calcular la diferencia de un valor con el anterior y utilizar el resultado como entrada. Por ltimo, una de las elecciones que gener diferencias ms notables en los resultados fue la eleccin de la funcin de entrenamiento. Las siguientes funciones fueron probadas: - Descenso del gradiente. - Descenso del gradiente con ritmo de aprendizaje adaptativo. - Descenso del gradiente con momento. - Descenso del gradiente con ritmo de aprendizaje adaptativo y momento. - BFGS Cuasi-Newtoniana. - Regularizacin bayesiana. - Gradiente conjugado con reinicios de Powell-Beale. - Gradiente conjugado con actualizaciones de Fletcher-Reeves. - Gradiente conjugado con actualizaciones de Polak-Ribiere. - Levenberg-Marquardt. - Secante de un paso. - Entrenamiento de orden incremental aleatorio. - Retropropagacin resistente. De entre ellas, la funcin de entrenamiento de Levenberg-Marquardt obtuvo los mejores resultados, conjugando el error medio cuadrado ms bajo con una buena velocidad de entrenamiento.
de la prediccin. Algunos otros trabajos que lo usan son entre otros los de Billio et al. [BILL00] Como referencia a superar su error, se comparar con el modelo del paseo aleatorio, del que algunos estudios, como los de Meese y Rogoff [MEES83], han demostrado su dificultad para ser superado. La siguiente tabla muestra el error medio absoluto de cada una de las redes neuronales, registrado en 1000 perodos, prediciendo individualmente la tendencia en la que est especializada: Tendencia E.M.A. Paseo aleatorio E.M.A. Red neuronal T2 T3 T4 T5 T6 T7 D7 2.6229e-005 4.3889e-005 6.5105e-005 1.2448e-004 1.9178e-004 2.7094e-004 6.7791e-004 3.0566e-006 6.6982e-006 1.6515e-005 4.0213e-005 9.4219e-005 1.9432e-004 5.2050e-004
Tabla 4.4.1
Como se puede observar, los resultados son ampliamente satisfactorios a la hora de predecir las subtendencias de forma individual. El siguiente paso es hallar el sumatorio de las predicciones y calcular el error medio absoluto global de la superprediccin. Aqu sin embargo nos encontramos un resultado ciertamente sorprendente: el error medio absoluto del paseo aleatorio es inferior al error de la superprediccin. E.M.A. paseo aleatorio global = 8.0982e-004 E.M.A. superprediccin = 8.5938e-004 El resultado es ciertamente inesperado. Buscando las razones para que se produzca este incremento en el error al realizar el sumatorio, es encontrada
54
una fuerte correlacin entre los errores de las predicciones individuales, lo que hace que al sumarlas se amplifique el error final. Correlacin Error P7 Error P8 Error P6 Error P7 Error P5 Error. P6 Error P4 Error P5 Error P3 Error P4 Error P2 Error P3 0.9689 0.9830 0.9887 0.9958 0.9971 0.8856
No estn todava claras las causas de esta elevada correlacin, que merece un estudio en mayor profundidad y requiere experimentacin.
55
56
Funcin de Autocorrelacin (ACF) Uno de los estadsticos que ms informacin aporta para identificar posibles modelos de prediccin para una serie es la funcin de autocorrelacin (ACF). Si comparamos Yt (el valor observado en t) con Yt-1 observaremos como de relacionados estn dos valores consecutivos de una serie. Si calculamos la correlacin entre una serie y ella misma con un retraso de un perodo, estamos hallando su autocorrelacin a un perodo. La frmula es la siguiente:
n
rk =
t = k +1
(Y Y )(Y
t n t t =1
t k 2
Y )
(Y Y )
Ecuacin 5.1.1
Si realizamos la autocorrelacin con retrasos 1, 2, 3... y tantos perodos como queramos, con todos estos valores juntos tenemos la funcin de autocorrelacin (ACF). Esta funcin nos ayuda a ver si valores previos de la serie contienen informacin relevante sobre el siguiente valor o si, por el contrario, los valores pasados carecen de relacin con los valores futuros. Debido a que la distribucin de los coeficientes de autocorrelacin se aproxima a una curva normal con media cero y error estndar 1/ n , a menudo se utiliza el valor
1,96 / n como referencia (conocido como valor crtico) para considerar
autocorrelaciones relevantes, lo que significa que el 95% de los coeficientes de autocorrelacin deberan de estar dentro de esos lmites si fuera una serie aleatoria. Es habitual dibujar la funcin de autocorrelacin en un correlograma en el que se grafica con lneas verticales los coeficientes de autocorrelacin para cada retraso y con dos lneas horizontales el valor de referencia positivo y negativo para considerar las correlaciones relevantes. A continuacin se puede
57
observar el correlograma del precio de cierre del USD/JPY en perodos de un da durante los 20 primeros retrasos:
En esta figura se puede ver que ningn retraso de los precios de cierre tiene una correlacin elevada como para poder ser suficientemente interesante para explicar el prximo valor. A continuacin se muestra la ACF (con hasta 20 retrasos) de los valores mximos diarios:
58
En este caso s hay una correlacin suficientemente fuerte con la serie retrasada un perodo, lo que da una idea de que se encontrar informacin valiosa en el primer retraso para hacer predicciones del prximo valor. Seguidamente, se contina dibujando la ACF de los precios mnimos diarios, con 20 retrasos:
En esta funcin de autocorrelacin, no hay un nico valor destacado sino hasta 3 coeficientes de autocorrelacin que sobrepasan los valores crticos y que por lo tanto deben ser tenidos en cuenta a la hora de establecer un modelo de prediccin. Se recuerda que los valores crticos representan un intervalo en el que deberan de estar el 95% de los coeficientes si la serie fuera ruido blanco; en este caso no se alcanza esa cifra sino nicamente el 85%, lo que hace pensar que, en la serie de mnimos, hay informacin importante del futuro que se puede extraer del pasado. Funcin de autocorrelacin parcial (PACF) En el caso de que haya una autocorrelacin entre el valor en t y en t-1, tambin podra caber esperar que hubiera algn tipo de relacin entre t-1 y t-2, as como entre todos los perodos que tuvieran el mismo nico retraso de
59
diferencia entre s. Es por ello por lo que se usa la funcin de autocorrelacin parcial (PACF), que nos permite medir el grado de asociacin entre Yt y Yt-k cuando los efectos de los retrasos 1, 2, 3, ... , k 1 son eliminados. A continuacin se puede observar la PACF de la serie de mnimos que se ha estudiado anteriormente:
Como se puede deducir del correlograma, hay informacin adicional sobre el futuro ms all del primer retraso. Particularmente significativos son los retrasos 3 y 11. Tests de portmanteau: Ljung-Box-Pierce Los tests de portmanteau son un mtodo para comprobar si un conjunto de coeficientes de autocorrelacin son significativamente diferentes al conjunto que cabra esperar de una serie de ruido blanco. Uno de estos tests es el que est basado en el estadstico Q de BoxPierce, despus revisado por Ljung y Box [LJUN78]. Siendo rk los coeficientes de autocorrelacin, L el mximo retraso, y N el nmero de valores observados, el estadstico Q se desarrolla como sigue:
60
Ecuacin 5.1.5
Aunque originalmente se concibi para probar que los residuos de un modelo de prediccin eran ruido blanco y no se poda mejorar el modelo, tambin puede ser utilizado para probar si una serie puede ser predecible. Si la serie es ruido blanco, el estadstico Q tiene una distribucin chi cuadrado con (L - m) grados de libertad, siendo m el nmero de parmetros en el modelo (en el caso de que no se haya probado ningn modelo, 0). En el caso de la serie de cierres para 20 retrasos y el 1% de significacin, se acepta la hiptesis nula, ya que el estadstico Q es igual a 22,6761 mientras que el valor crtico basado en la distribucin chi cuadrado es 37,5662. Sin embargo, para la serie de mximos con los mismos parmetros se rechaza la hiptesis nula, siendo Q 59,4729 frente al mismo valor crtico. En el caso de la serie de mnimos el estadstico Q es an superior, 69,6126, rechazndose de nuevo la hiptesis nula y denotando una mayor informacin sobre el prximo valor mnimo en los 20 primeros retrasos que en el caso de la serie de mximos. Conclusin del anlisis estadstico de los mximos, mnimos y cierres Como ha sido revelado con las diferentes herramientas utilizadas, se puede concluir que el pasado de la serie de cierres del USD/JPY contiene poca informacin sobre el futuro. Sin embargo la situacin es ms esperanzadora para las series de mximos y mnimos. Principalmente en el caso de los mnimos los retrasos anteriores parecen ser especialmente relevantes.
61
5.2
Predicciones
basadas
en
retrasos
consecutivos
Usando como entradas los valores de retornos diarios retrasados de las series de cierres, mximos y mnimos, se ha construido dos grupos de perceptrones multicapa: el primero recibe como entradas los 5 ltimos retrasos de la serie mientras que el segundo recibe los 20 ltimos retrasos, todos ellos consecutivos. En estas redes neuronales se ha usado una capa oculta con 5 neuronas y una neurona en la capa de salida, la funcin de entrenamiento de LevenbergMarquardt y 250 pocas para el aprendizaje. Los datos utilizados han sido los valores normalizados de retornos de cierre, mximo y mnimo diario del tipo de cambio USD/JPY desde el 5-Ene1998 hasta 28-Feb-2007, haciendo un total de 2380 perodos de operativa. La forma de calcular el retorno diario es la siguiente:
rett =
Yt Yt 1 Yt 1
Como conjunto de entrenamiento se ha usado aproximadamente los primeros dos tercios de los datos (1600 perodos). El conjunto de validacin son los siguientes perodos. 5.2.1 5 retrasos inmediatos como entrada En el apartado anterior se ha podido ver como en la serie de cierres no haba ningn coeficiente de autocorrelacin notable en los primeros 20 retrasos, en la de mximos era notable el coeficiente del retraso 1 y en la de mnimos alcanzaban los valores crticos los retrasos 1, 3 y 11. Por ello, se ha decidido entrenar 3 perceptrones multicapa que reciben como entradas cada uno los 5 primeros retrasos de cada serie, ya que en esos retrasos hay 0
62
autocorrelaciones relevantes en los cierres, 1 en los mximos y 2 en los mnimos. Como medicin de la precisin se ha usado el error absoluto medio (siendo EAMT el valor para el conjunto de entrenamiento y EAMV para el conjunto de validacin ) y el porcentaje de aciertos de la direccin del movimiento (T y V). A continuacin se muestra una tabla con comparaciones de estos valores normalizados para las predicciones de las redes neuronales (P) y la prediccin del paseo aleatorio (RW) usado como referencia. Pcierres 0,0800 0,0676 52,405 47,95 RWcierres 0,0837 0,0673 49,52 48,37 Pmximos 0,0708 0,0613 55,39 50,86 RWmximos 0,0741 0,0608 55,65 52,985 Pmnimos 0,0523 0,0417 56,43 54,77 RWmnimos 0,0545 0,0419 54,33 53,78
EAMT EAMV
T V
Como podemos observar, solamente en el caso de la prediccin de mnimos se obtienen resultados consistentemente mejores que los del paseo aleatorio.
5.2.2 20 retrasos inmediatos como entrada Cuando son estudiados los 20 primeros retrasos en las respectivas ACF, se puede observar que en el caso de los mnimos hay 3 coeficientes, en vez de 2 como anteriormente, que superan el valor crtico, mientras que en los cierres y los mximos se mantiene el mismo nmero de autocorrelaciones relevantes que las ya encontradas en los 5 primeros retrasos. Tambin hay que tener en cuenta que algunos coeficientes de los 20 primeros retrasos en estas series, a pesar de no alcanzar los valores crticos, s se aproximan bastante por lo que es posible que el perceptrn multicapa encuentre nuevas relaciones y patrones. De la misma forma que en el modelo anterior, a continuacin se muestran las mediciones de precisin de las nuevas predicciones basadas en
63
perceptrones multicapa que reciben como entrada esta vez los 20 ltimos retrasos: Pcierres 0,0733 0,0724 58,76 47,87 RWcierres 0,0837 0,0673 49,52 48,37 Pmximos 0,0637 0,0668 59,14 50,26 RWmximos 0,0741 0,0608 55,65 52,985 Pmnimos 0,0460 0,0437 57,32 50,5 RWmnimos 0,0545 0,0419 54,33 53,78
EAMT EAMV
T V
Como puede observarse en los resultados, aunque las predicciones dentro del conjunto de entrenamiento son francamente mejores que las conseguidas mediante el paseo aleatorio o las redes neuronales con 5 entradas, fuera de muestra la precisin se reduce dramticamente. Para ninguna de las series se consigue una mejora consistente respecto al paseo aleatorio. Puede ser concluido que hay un cierto sobreajuste en las predicciones debido al aumento del nmero de entradas. Podemos deducir, como se enunci en el captulo 2, que no siempre es positivo para la precisin aadir ms datos de entrada en las redes neuronales, si no que pocos datos pero con altos coeficientes de autocorrelacin son ms adecuados
64
5.3.1 Prediccin basada en ACF El primer modelo consiste en buscar los 3 retrasos con mayor valor en la ACF de 300 perodos de su serie. En los correlogramas se ha utilizado como valores crticos +/-3, implicando una confianza del 99,74%. A continuacin son mostradas a ttulo orientativo las funciones ACF de las serie de mximos, mnimos y cierres a 300 perodos:
En el caso de la serie de cierres, fueron elegidos los retrasos 93, 115 y 263 como entradas. Slo este ltimo sobrepasa el valor crtico. En los mximos, las entradas seleccionadas fueron los retrasos 1, 94 y 248. Tanto el retraso 1 como el 94 son significativos con respecto al valor crtico. En la serie de mnimos, los tres retrasos seleccionados como entradas sobrepasan el valor crtico. Estos fueron el 1, 3 y 40.
65
Despus del entrenamiento, se obtuvieron los siguientes resultados del anlisis de precisin: Pcierres 0,0827 0,0674 53,09 54,01 RWcierres 0,0837 0,0673 49,52 48,37 Pmximos 0,0720 0,0612 56,21 52,71 RWmximos 0,0741 0,0608 55,65 52,985 Pmnimos 0,0522 0,0415 56,28 55,91 RWmnimos 0,0545 0,0419 54,33 53,78
EAMT EAMV
T V
Comparando estos resultados con los de la tabla 5.2.1, que era la que mejores resultados haba arrojado hasta el momento, se puede observar que para todas las series se ha conseguido una mejora consistente en las predicciones del conjunto de validacin. Especialmente interesante es la mejora en la prediccin de direccin del movimiento de la serie de cierres, que supera ampliamente a la prediccin del paseo aleatorio. El error absoluto medio tambin se ha visto reducido para todas las series, aunque slo la prediccin de mnimos obtiene un error inferior al del paseo aleatorio. Esto coincide con los resultados de la prediccin del apartado 5.2.1.
5.3.2 Prediccin basada en PACF de cuadrados En este modelo se buscan los 5 retrasos con mayor coeficiente en la PACF de los 150 primeros perodos del cuadrado de las series. Se usa la PACF en vez de la ACF ya que se ha percibido influencia de las autocorrelaciones en los valores inmediatamente prximos a un retraso con alto coeficiente de autocorrelacin. El objetivo de este modelo es realizar predicciones teniendo en cuenta relaciones en la volatilidad de la serie. A continuacin se grafican las funciones de autocorrelacin parcial con los valores crticos en +/-3 (99,74% de confianza):
66
En todas las funciones de autocorrelacin parcial hay valores fuertemente destacados de los cules se eligieron los 5 con mayor valor absoluto. En el caso de la serie de cierres fueron elegidos los retrasos 1, 2, 68, 80 y 128. En el de la serie de mximos 1, 21, 59, 80 y 101. Y en la de mnimos 1, 18, 80, 81 y 128. En la siguiente tabla se puede ver la precisin de las predicciones obtenidas mediante este modelo: Pcierres 0,0809 0,0674 52,53 52,84 RWcierres 0,0837 0,0673 49,52 48,37 Pmximos 0,0709 0,0619 54,78 53,6 RWmximos 0,0741 0,0608 55,65 52,985 Pmnimos 0,0525 0,0418 55,65 53,71 RWmnimos 0,0545 0,0419 54,33 53,78
EAMT EAMV
T V
Se puede observar que los resultados son mixtos comparndolos con las predicciones anteriores. El V de Pmximos es el mejor conseguido hasta el momento. En el caso de Pcierres este valor es sensiblemente superior al del paseo aleatorio pero inferior al mejor conseguido hasta el momento (el del apartado 5.3.1). El EAMV es el mejor conseguido hasta el momento en la serie de cierres, mientras que en los dems es mejorable.
67
La principal ventaja de estas predicciones es que aportan una aproximacin distinta al estar basadas en relaciones de la volatilidad, lo que puede resultar til en un modelo de combinacin de predicciones.
Ecuacin 5.4.1
siendo
el gradiente actual y
la matriz
hessiana del ndice de rendimiento con los pesos actuales de la red neuronal. Debido al coste computacional de la matriz hessiana, son usados los mtodos cuasi-newtonianos que aproximan el valor de la matriz hessiana iterando. ste es el caso de la funcin de entrenamiento BFGS.
5.4.1 Mejoras en el modelo de 5 retrasos inmediatos A continuacin se muestran las mejoras en la precisin conseguidas en las series de cierres y mnimos (no ha habido mejoras para la serie de mximos) mediante BFGS respecto al algoritmo de Levenberg-Marquardt. Para una mejor comprensin los errores han sido multiplicados por 10.000. Pcierres Pmnimos
Nuevo
Anterior
Nuevo
Anterior
EAMT EAMV
821,92 671,90
800,5 676,42
521,64 415,23
522,82 416,77 68
T V
50,09 53,36
52,405 47,95
Tabla 5.4.2
56,86 56,07
56,43 54,77
En el caso de las nuevas predicciones de cierres, se puede observar que incluso por primera vez se supera consistentemente los resultados del paseo aleatorio (ver tablas de los anteriores apartados). Tambin se observa una mejora en la capacidad de generalizacin de la red neuronal, ya que aunque en el conjunto de entrenamiento se obtienen peores resultados que con la anterior funcin, los resultados son ms estables en la validacin. 5.4.2 Mejoras en la prediccin basada en la ACF En la serie de mximos se han conseguido mejoras significativas, mostrndose el siguiente cuadro comparativo: Pmximos
Nuevo Anterior
EAMT EAMV
T V
Tambin aqu por primera vez es conseguida una mejora significativa en todas las mediciones con respecto al paseo aleatorio.
Pmximos
Anterior
EAMT EAMV
T V
En este caso, aunque haya habido una reduccin en la precisin de la prediccin de direccin del movimiento, s se ha conseguido un aumento de la precisin en criterios de error absoluto medio, consiguindose en este modelo un error menor al del paseo aleatorio para las series de cierres y mximos.
69
5.5.1 Combinacin de predicciones de cierres En la serie de cierres los mejores resultados han sido obtenidos mediante una regresin mltiple entre las predicciones realizadas en los apartados 5.3.1, 5.4.1 y 5.4.3: Pcierres = 0.0020 + 0.9657P5.3.1 + 0.2620P5.4.1 + 0.8665P5.4.3
Ecuacin 5.5.1
En la siguiente tabla se muestra la comparacin de la precisin obtenida con respecto a la mejor prediccin anterior (la prediccin del apartado 5.4.1) Pcierres
Combinacin Mejor Anterior
EAMT EAMV
T V
70
5.5.2 Combinacin de predicciones de mximos En esta serie tambin se han obtenido los mejores resultados mediante un mtodo lineal, una regresin mltiple entre las predicciones de los apartados 5.4.2 y 5.4.3: Pmximos = 0.0008 + 0.6816P5.4.2 + 0.7103P5.4.3
Ecuacin 5.5.2
La mejor prediccin hasta el momento haba sido la calculada en el apartado 5.4.2. En la siguiente tabla puede ser observado como la regresin mltiple obtiene una mayor precisin: Pmximos
Combinacin Mejor Anterior
EAMT EAMV
T V
5.5.3 Combinacin de predicciones de mnimos A diferencia de las anteriores series, la serie de mnimos ha sido mejor predicha mediante una combinacin no-lineal de predicciones realizada a travs de un perceptrn multicapa de 5 neuronas en una nica capa oculta y una neurona en la capa de salida. Las entradas que recibe la red neuronal son las predicciones para el siguiente perodo calculadas mediante los modelos de los apartados 5.3.1, 5.4.1 y un modelo como el del apartado 5.3.2 pero con funcin de entrenamiento BFGS que no ha sido descrito en el apartado 5.4 ya que no obtena mejoras significativas con respecto a su predecesor entrenado con la funcin Levenberg-Marquardt.
71
A continuacin se muestran los datos de precisin comparados con los obtenidos en el modelo del apartado 5.4.1 (hasta ahora la prediccin ptima):
Pmnimos
Combinacin Mejor Anterior
EAMT EAMV
T V
72
73
Otras caractersticas especiales son las referentes a la volatilidad de la serie. En este caso, volatilidad significa la varianza condicional de los retornos del activo subyacente. La volatilidad es una medida importante para la evaluacin del riesgo del activo. Algunas de sus caractersticas principales segn Tsay [TSAY02] son: Clustering o agrupamiento: fuertes movimientos tienden a ser seguidos de fuertes movimientos, y cambios dbiles tienden a ser seguidos de movimientos dbiles. Una manifestacin cuantitativa de este hecho es que aun siendo los retornos incorrelacionados entre s, sus cuadrados suelen mostrar una correlacin positiva que decrece en el tiempo como se puede observar en la siguiente figura:
74
La volatilidad evoluciona en el tiempo de una forma continua. Habitualmente los saltos en volatilidad son atpicos. La volatilidad no diverge a infinito. Suele variar en un rango ms o menos fijo, lo cual quiere decir estadsticamente hablando que a menudo la volatilidad es estacionaria. Para contemplar estas caractersticas, en 1982 Engle desarroll el
modelo
de
heteroscedasticidad
condicional
autorregresiva
(ARCH)
[ENGL82], al que le siguieron varios modelos adicionales que introdujeron diferentes mejoras.
1 2 2 2 m4 = 3[ 0 + 2 01Var (at ) + 12 m4 ] = 3 0 1 + 2 + 31 m4 1 1
Por lo que,
2 3 0 (1 + 1 ) m4 = (1 1 )(1 312 )
Por ello, el exceso de kurtosis de at es positivo y la distribucin de la cola de at es ms abultada que la que cabra esperar de una distribucin normal. De esta forma los modelos ARCH se ajustan ms a la realidad de las series financieras, recogiendo as otra de las caractersticas vistas en el apartado 6.1. 6.2.2 El modelo GARCH A pesar de que el modelo ARCH es sencillo, a menudo requiere muchos parmetros para describir con aceptable precisin la volatilidad de algunos activos financieros. Ello conduce a modelos ARCH de orden elevado que complican el clculo con numerosos parmetros. Por ello se desarrollaron modelos adicionales que cubran las debilidades de ARCH. Uno de los ms
76
prcticos
es
GARCH
(heteroscedasticidad
condicional
autorregresiva
generalizada), resultado de los estudios de Bollerslev [BOLL86]. GARCH asume que la volatilidad puede ser descrita por un modelo ARMA (media mvil autorregresiva) de la siguiente forma
at = t t ,
t2 = 0 + i at2i + j t2 j
i =1 j =1
para un modelo GARCH(m,s). Sin embargo, especificar el orden de un modelo GARCH no es sencillo. En la prctica se utilizan solamente modelos GARCH de orden bajo como GARCH(1,1), GARCH(1,2) y GARCH(2,1). La estimacin de los parmetros del modelo se suele hacer por mxima verosimilitud. 6.2.3 Otros modelos de la familia ARCH A lo largo de los aos diferentes investigadores han ido desarrollando nuevos modelos de tipo ARCH para contemplar caractersticas adicionales de las series temporales financieras. Un breve resumen con otros 3 modelos adicionales, segn Mat y Oliva [MATE03] es mostrado a continuacin: Modelo Autores Ao Especificacin de la varianza
IGARCH Engle y 1989
2 t2 = 0 + 1 t21 + (1 1 )Yt 1
Contribucin principal
Persistencia la condicional. Modelo clave en la mtrica del riesgo. en
Bollerslev
varianza
EGARCH
Nelson
1991
Para no
procesos normales.
77
robustez a datos
Aunque estos modelos son tiles en determinadas circunstancias, el modelo GARCH(1,1) ha mostrado gran persistencia en muchas series temporales a pesar de su simplicidad. Particularmente para tipos de cambio Hansen y Lunde [HANS05] estudiaron cual sera el modelo de la familia ARCH que mejor prediccin de la volatilidad tendra; su conclusin es contundente: de 330 modelos diferentes, GARCH(1,1) era el que mejor resultados obtena siempre para tipos de cambio.
A = a C , a R , donde aC =
a L + aU a L aU y aR = . 2 2
78
En el caso del mercado de divisas, el lmite superior e inferior de un intervalo diario corresponderan con el mximo y el mnimo diario alcanzado. El modelo que se expone en este captulo busca predecir ese intervalo en la forma centro y radio.
Como se puede observar en la figura, el radio del intervalo se podra definir como una medida tosca de la volatilidad (y viceversa). Segn Hansen y Lunde [HANS05], GARCH(1,1) es insuperable para predecir la volatilidad de los tipos de cambio, por lo que se ha optado por este popular modelo para hacer las predicciones de la volatilidad. Hay literatura enorme acerca de la bondad de las predicciones de volatilidad de modelos de 79
la familia ARCH. Es por ello por lo que se ha considerado un modelo popular como GARCH(1,1) que en numerosas ocasiones ha sido demostrado ser una opcin adecuada para series financieras debido, entre otras cosas, a su parsimonia. Siendo el radio t del intervalo, calculado de la siguiente forma:
t = (Ymax-Ymin)/2,
se ha obtenido un ratio , entre el radio y el valor de sigma a lo largo de la serie estudiada del USD/JPY con el valor que sigue:
t t
= 5,8879
Una vez halladas las predicciones de la volatilidad para cada perodo, estas son corregidas con el factor para obtener as una prediccin del radio. El resultado es el siguiente:
Figura 6.4.2 Radio (rojo) vs. Prediccin radio con garch (azul)
Para medir la bondad de esta prediccin se ha usado la U-Theil, calculada de la siguiente forma:
80
Y Y t +1 Y t +1 t U= 2 Yt +1 Yt Y t
Si el valor de U es mayor que 1, la precisin es peor que la de la prediccin consistente en usar el ltimo valor observado como prximo valor predicho (conocida tambin como prediccin ingenua o prediccin del paseo aleatorio). Si es inferior a 1 entonces la precisin supera a la prediccin del paseo aleatorio por lo que es un buen modelo. En este caso se han obtenido las siguientes medidas de precisin:
MAE (error absoluto medio) Prediccin GARCH 0,1976 Paseo aleatorio 0,2543
Segn se puede contemplar en la tabla, la prediccin GARCH nos es til para predecir el valor del radio en el siguiente perodo ya que se obtiene una precisin sensiblemente superior a la obtenida mediante el modelo de paseo aleatorio.
81
Para realizar la combinacin se deseaba tener ms en cuenta la precisin que cada uno de los dos modelos estaba obteniendo recientemente que su precisin histrica. Por ello se ha utilizado un alisado exponencial o media mvil exponencial (EWMA, exponentially weighted moving average) del error porcentual absoluto (APE, average percentual error):
EWMAi ,t = APE + (1 ) EWMAi ,t 1
en el que debe ser calculado por experimentacin (a mayor ms ponderacin tendr la precisin reciente). Una vez calculado el EWMA de cada modelo, se debe asignar los pesos w que va a tener cada prediccin de la siguiente manera:
1 EWMAi ,t
wi ,t =
EWMA
i =1
1 i ,t
siendo N el nmero total de predicciones a combinar, en este caso 2. Por ltimo, las predicciones se combinan segn el valor de los pesos calculados:
N
i Y combinada = wi ,t yt
i =1
De esta forma, el modelo que obtiene mejores rendimientos recientes es favorecido frente al que obtiene resultados ms mediocres, consiguindose una ptima combinacin dinmica segn las circunstancias. En la siguiente tabla se puede comparar la precisin obtenida por el modelo GARCH individual frente a la precisin obtenida mediante la combinacin basada en EWMA: MAE Prediccin GARCH 0,1976 Prediccin 0,1914 combinada EWMA MSE 0,0965 0,0859 U-Theil 0,8367 0,7897
82
Como se puede observar, se obtiene una mejora significativa de la precisin. Especialmente relevante es la reduccin de la U-Theil.
U-Theil 0,9538 1
. Si pasamos
estos valores a la forma A = [a L , aU ] , se obtiene la prediccin del mximo y mnimo diario. Calcular la precisin de estas predicciones se puede hacer por alguno de los mtodos habituales para predicciones de valores puntuales. A continuacin se muestra una tabla con la precisin de la prediccin de mximos:
83
U-Theil 0,879 1
Como se puede observar, este modelo obtiene una precisin superior a la de los modelos mostrados anteriormente en este proyecto. Ms an, la UTheil obtenida es significativamente mejor a la de varios modelos de prediccin publicados en diferentes artculos. Seguidamente se muestra una tabla comparativa: Prediccin centro-radio GARCH+RN U 0,8790 0,9886 0,9633
Tabla 6.7.2 Comparativa U-Theil
Meade [MEAD02]
En el caso de la prediccin de Fernndez-Rodrguez se muestran dos valores: el mejor y el siguiente mejor. Se debe tener en cuenta que el estudio versaba sobre 9 tipos de cambio dirigidos (y no en libre flotacin), los cuales adems todos han desaparecido, y que, aunque uno de los tipos de cambio (florines holandeses, sustituido por el euro hace 8 aos) obtuvo una medida de U-Theil muy buena, el siguiente tipo de cambio mejor obtuvo un valor muy superior, y tres tipos de cambio a los que se les aplic el mismo modelo obtuvieron U-Theil mayores que 1. Otro artculo interesante para comparar es Billio et al. [BILL00] ya que se centra tambin en la prediccin de valores extremos diarios. Sin embargo este artculo no muestra como medida de precisin la U-Theil y slo muestra informacin sobre el error medio absoluto (MAE). Por ello para la comparacin se ha calculado una U-Theil modificada denominada U*, hallada de la siguiente forma:
84
U* =
MAEP MAERW
De nuevo se puede observar como el modelo desarrollado en este captulo obtiene mejores resultados. En el Apndice B se ha construido una tabla con los valores predichos y los observados de una muestra que comprende los ltimos 30 das del histrico de USD/JPY utilizado para las pruebas de este modelo. De este modo el lector puede comprobar con datos reales la bondad de las predicciones. Adicionalmente se muestra una figura a continuacin con la evolucin de una U-Theil a 60 das durante los 800 das de cotizacin del conjunto de validacin (de 2-3-2004 a 26-2-2007), pudindose observar la fiabilidad a lo largo del periodo:
85
A la vista de los resultados obtenidos, puede concluirse que combinando dos modelos distintos para contemplar dos caractersticas especficas de los tipos de cambio, en este caso volatilidad (el radio, predicho con GARCH) y direccin del movimiento (el centro, predicho con redes neuronales), se consiguen resultados muy superiores a los obtenidos mediante un enfoque menos completo.
86
Ficheros MATLAB para la administracin de las interfaces grficas: o Welcome.m o Predgui.m Ficheros MATLAB de estructura y disposicin de las ventanas grficas: o Welcome.fig o Predgui.fig Paquete JAVA de la API de OANDA: o Oanda_fxtrade.jar
87
4. Escribir en la lnea de comandos de MATLAB el comando prediccion. Nota: la versin de MATLAB debe contener las toolbox de GARCH, Neural Network y Financial.
88
Los grficos mostrados para las cotizaciones son del tipo HLC (high, low, close), en color azul. Este tipo de grfico muestra para cada perodo una barra vertical cuyo lmite superior es el mximo del da, el inferior es el mnimo y una pequea barra horizontal intermedia es el cierre. Se puede interactuar con las siguientes secciones: Currencies Muestra los posibles tipos de cambio a graficar y el nmero de perodos a ser mostrados. Se pueden graficar simultneamente hasta 5 tipos de cambio. Estos aparecern en el panel derecho de grficos al pulsar el botn Show.
89
El nmero de perodos mximos a seleccionar es 260. El usuario debe tener en cuenta que cada vez que se presione el botn Show el panel de grficos se borrar, eliminndose los grficos de predicciones si los hubiera, y mostrando nicamente los grficos de las divisas seleccionadas. Forecasting models Presionando el botn Calculate la aplicacin calcular las predicciones de mximos y mnimos histricas, las del da de hoy y las de los 4 das siguientes (aunque hay que tener en cuenta que slo los predicciones del da de hoy son fiables, pues son las nicas que obtienen medidas de precisin buenas), de las divisas que se muestran en ese momento en el panel de grficos. Estas predicciones estn basadas en el modelo de prediccin GARCH+RN para centro y radio desarrollado en este proyecto. El clculo puede tardar unos minutos, dependiendo del nmero de divisas seleccionadas. Los resultados se graficarn en el panel de grficos, mostrndose con una lnea verde la prediccin de mximos y con una lnea roja la prediccin de mnimos. En el ttulo de cada grfico se muestran adems los valores numricos de las predicciones para el da de hoy, especificndose con una eme mayscula (M) el mximo y una eme minscula (m) el mnimo. A continuacin se muestra el resultado del clculo de la prediccin para EUR/USD y USD/JPY:
90
En esta misma seccin se puede observar tambin un men despegable. Este men est pensado para futuras ampliaciones y el usuario no le debe prestar mayor atencin. Calculate accuracy ranking (all rates) Pulsando este botn el sistema realizar clculos sobre la precisin de las predicciones en los 5 tipos de cambio mostrados y seguidamente mostrar un rnking con los valores de U-Theil calculados para las predicciones a un da (el da actual), obtenidos para las 5 divisas, ordenados de menor a mayor. Estos valores de U-Theil son para las predicciones de los ltimos 30 das, y no para el perodo seleccionado o el histrico completo. Es as pues un indicador de en qu divisas estn hacindose ms aciertos en las ltimas semanas. Se debe tener en cuenta que el clculo puedo durar unos minutos. A continuacin se muestra el resultado que mostrara:
91
fxclient.login(): new session. logging in... login(): PROXY - creating new Net Connection... login(): host: fxgame-api.oanda.com login(): port: 80 login(): PROXY - creating new Net Connection... Done! login(): opening secure connection... login(): opening secure connection... Done! login(): making login request for user gabro84...
92
NET: 13:10:49 SecureConnection.write(): New session, begin key negotiations... NET: 13:10:50 SecureConnection.write(): New session, key negotiation complete! NET: 13:10:50 login(): making login request... Done! INF: 13:10:50 login(): creating rate table... INF: 13:10:50 login(): creating rate table... Done! Descargando histrico de cotizaciones...
Estos mensajes se mostrarn en color negro. Sin embargo, si ocurren errores en la conexin, puede que se muestren los siguientes mensajes en color rojo:
NET: 10:42:17 fxclient.login(): new session. logging in... NET: 10:42:17 login(): PROXY - creating new Net Connection... NET: 10:42:17 login(): host: fxgame-api.oanda.com NET: 10:42:17 login(): port: 80 NET: 10:42:17 login(): PROXY - creating new Net Connection... Done! NET: 10:42:17 login(): opening secure connection... NET: 10:42:19 login(): opening secure connection... Done! NET: 10:42:19 login(): making login request for user gabro84... NET: 10:42:19 SecureConnection.write(): New session, begin key negotiations... ***: 10:42:40 SecureConnection.open(): caught: java.net.ConnectException: Connection timed out: connect ***: 10:42:40 dorpc(): caught: java.net.ConnectException: Connection timed out: connect NET: 10:42:40 logging out ***: 10:42:40 fxclient.login(): caught: com.oanda.fxtrade.api.SessionDisconnectedException: Connection timed out: connect INF: 10:42:40 session.destroy() ??? Java exception occurred: com.oanda.fxtrade.api.SessionDisconnectedException: Connection timed out: connect at com.oanda.fxtrade.api.e.a(Unknown Source) at com.oanda.fxtrade.api.FXClient.login(Unknown Source) . Error in ==> prediccion at 14 fxclient.login('gabro84', 'upcomillas');
En ese caso se debe comprobar si la conexin a Internet funciona adecuadamente. Si sta funciona correctamente, puede que el servidor de oanda.com est ocupado y est rechazando nuestra conexin. Para solucionarlo simplemente intentar de nuevo ejecutar el comando prediccion, tantas veces como sea necesario hasta conseguir conexin con oanda.com.
93
Por ltimo, una vez obtenida la conexin, es posible que tras un tiempo de inactividad, la conexin con oanda.com se pierda. Los mensajes que se mostrarn en la ventana de comandos sern similares a los siguientes:
***: 13:13:43 SecureConnection.open(): caught: java.net.ConnectException: Connection timed out: connect ***: 13:13:43 dorpc(): caught: java.net.ConnectException: Connection timed out: connect NET: 13:13:43 logging out INF: 13:13:43 User.destroy() INF: 13:13:43 Account.destroy() INF: 13:13:43 RateTable.destroy()
De nuevo en este caso para solucionarlo, se debe reiniciar la aplicacin ejecutando otra vez el comando prediccion.
94
1. Planificacin
A continuacin se muestra el diagrama GANT de la planificacin del proyecto:
1. Revisin del estado del arte y documentacin sobre tipos de cambio y mercados de divisas. 2. Revisin del estado del arte y documentacin sobre mtodos de prediccin. Anlisis y estudio estadstico de series de tipos de cambio. 3. Desarrollo del modelo de prediccin basado en descomposicin en subtendencias (captulo II-4). 3. Desarrollo del modelo de prediccin de combinacin de redes neuronales para prediccin de valores extremos basado en autocorrelaciones significativas en las series (captulo II-5). 4. Desarrollo del modelo de prediccin de centro y radio basado en GARCH y redes neuronales (captulo II-6). 5. Implantacin de la interfaz grfica. 6. Documentacin de los modelos de prediccin
96
Documentacin preliminar: 50 horas. Entrevistas: 20 horas. Anlisis de los datos: 50 horas. Desarrollo y programacin: 300 horas. Pruebas y depuracin: 150 horas. Documentacin: 50 horas.
97
El
total
de
horas
trabajadas
es
620
horas,
equivalente
aproximadamente 77 das laborables con jornadas de 8 horas. Por ello, el coste final de ingeniera asciende a 27.900.
Dell Precision 390, Intel Core Duo E6600, 2 GB RAM: 1.349 MATLAB: 2.000 o Statistics toolbox: 1.100 o Neural network toolbox: 1.100 o GARCH toolbox: 1.100
99
100
1. Conclusiones
El estudio realizado en este proyecto comprende tres modelos originales diferentes que obtienen variados resultados. Son el resultado de una profundizacin en el estado del arte de la prediccin de tipos de cambio. A pesar de la consideracin habitual de que los tipos de cambio siguen un modelo de paseo aleatorio difcilmente batible, al menos uno de los modelos ha sido capaz de obtener resultados consistentes y generalizados tanto para distintos tipos de cambio como para diferentes perodos de actuacin. Algunas de las conclusiones que pueden ser extradas son: 1. Los precios de cierre diarios de las series de tipos de cambio tienen una elevada componente de aleatoriedad. No as los valores extremos del da, los mximos y mnimos diarios. Difcilmente se obtienen autocorrelaciones significativas en la serie de cierres mientras que sucede lo contrario en los mximos y mnimos. Esto provoca que sea ms plausible obtener informacin sobre el futuro observando las series de mximos y mnimos que la de cierres. 2. La parsimonia es clave a la hora de obtener un modelo de prediccin preciso capaz de generalizar. Aplicado a las redes neuronales esto significa utilizar arquitecturas lo ms sencillas posibles, con un nmero reducido de entradas. En cuanto a la familia ARCH, el modelo GARCH(1,1) es de los ms sencillos posibles y sin embargo a menudo es el que mayor precisin obtiene, habiendo incluso estudios que lo califican contundentemente como insuperable para los tipos de cambio. 3. Las series temporales financieras como son los tipos de cambio son complejas y habitualmente hay aspectos que no pueden ser capturados por un nico modelo. Es til, y casi se puede decir que obligatorio, utilizar ms de un modelo de prediccin para aproximar los diferentes aspectos de las series financieras. Seguidamente se pueden combinar los distintos modelos con un mtodo dinmico como el basado en EWMA del captulo 6.
102
4. La prediccin de datos de tipo intervalo es prometedora y aporta un enfoque relativamente poco explorado en la prediccin de tipos de cambio. El modelo desarrollado en el captulo 6 es un ejemplo de aumento considerable de la precisin mediante el uso de intervalos expresados en forma de centro y radio. 5. Mediante la interfaz de usuario creada para facilitar el uso del modelo de prediccin de centro y radio, se pueden realizar predicciones en otros tipos de cambio a parte del estudiado en esta memoria, obtenindose precisin satisfactoria. Esto demuestra una capacidad generalizadora del modelo muy prctica.
103
2. Desarrollos futuros
1. Respecto al modelo del captulo 4, una tarea interesante sera profundizar en el estudio de las causas de la correlacin entre los errores de las predicciones de las diferentes subtendencias. En este proyecto no se ha encontrado una explicacin sencilla a esta correlacin; teniendo en cuenta que la correlacin entre las subtendencias es cercana a 0, no es trivial acceder a una conclusin sobre el motivo por el que la correlacin entre los errores de sus predicciones es prxima a 1. 2. En el modelo del captulo 6, aunque la prediccin de los radios se hace mediante combinacin de dos modelos, la prediccin de los centros se hace usando exclusivamente una red neuronal. Utilizar modelos adicionales de prediccin para el centro posiblemente mejore la precisin. 3. Es habitual encontrar correlaciones entre los diferentes tipos de cambio por lo que se debera valorar la posibilidad de mejorar las predicciones mediante modelos que contemplen ms tipos de cambio simultneamente. El uso de GARCH multivariante sera una opcin a valorar para aumentar la precisin de las predicciones de radio del captulo 6. 4. Contemplar medidas adicionales de valoracin de los modelos. Hay extensa literatura sobre este tema. 5. La interfaz grfica creada para MATLAB actualmente slo realiza predicciones con el modelo del captulo 6. Sin embargo est pensada para trabajar con varios modelos de prediccin y ampliarla sera relativamente sencillo.
104
V. Bibliografa
[BILL00] Billio M., Sartore D., Toffano C., Combining forecasts: some results on exchange and interest rates, The European Journal of Finance, 6, (2000) 126 [BLAN04] Blanchard, O.: Macroeconomics. Pearson Prentice Hall, New Jersey. 2004. [BOLL86] Bollerslev T. 1986. Generalized autoregressive heteroskedasticity. Journal of Econometrics 31: 307327. [CASS23] Cassel, G.: Tract on Monetary Reform. London: T. F. Unwin. 1923. [ELSH97] M. R. El Shazly and H. E. El Shazly, Comparing the forecasting performance of neural networks and forward exchange rates, Journal of Multinational Financial Management 7 (1997) 345356. [ENGL82] Engle RF. 1982. Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation. Econometrica 45: 9871007. [EPIS96] A. Episcopos and J. Davis, Predicting returns on Canadian exchange rates with artificial neural networks and EGARCHM-M model, Neural Computing and Application 4 (1996) 168174. [FAMA70] E. F. Fama,Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, Vol. 25, No. 2, Papers and Proceedings of the Twenty-Eighth Annual Meeting of the American Finance Association New York, N.Y. December, 28-30, 1969 (May, 1970), pp. 383-417.
105
[FANG94]
Fang, H., Lai, K.S. y Lai, M.: Fractal Structure in currency Future Price Dynamics. 169-181. 1994
[FERN99]
Fernndez-Rodrguez, F., Sosvilla-Rivero, S. and Andrada-Flix, J. Exchange-rate forecasts with simultaneous nearest-neighbour methods: evidence from the EMS. International Journal of Forecasting 15, 383-392. (1999).
[HANS05]
Hansen, P.R. and Lunde, A. A forecast Comparison of volatility models does anything beat a GARCH(1,1)? Journal of Applied Econometrics 20: 873889 (2005).
[HSIE91]
Hsieh, D. A., 1991. Chaos and nonlinear dynamics: Application to financial markets. Journal of Finance 46 (5), 183977.
[HUAN04]
W. Huang, K. K. Lai, Y. Nakamori y Shouyang Wang: International Journal of Information Technology & Decision Making, Vol. 3, No. 1 (2004) 145-165
[HUTS99]
M. Y. Hu and C. Tsoukalas, Combining conditional volatility forecasts using neural networks: An application to the EMS exchange rates, Journal of International Financial Markets, Institutions and Money 9 (1999) 407422.
[KANG91]
S. Kang, An investigation of the use of feedforward neural network for forecasting, PhD Thesis, Kent State University, Kent, OH 44240, USA, (1991).
[KUAN95]
C. M. Kuan and T. Liu, Forecasting exchange rates using feedforward and recurrent neural networks, Journal of Applied Econometrics 10 (1995) 347364.
106
[LEUN00]
M. T. Leung, A. S. Chen and H. Dauk, Forecasting exchange rate using general regression neural networks, Computer and Operations Research 27 (2000) 10931110.
[LISI99]
F. Lisi and PA. Schiavo, "A comparison between neural networks and chaotic models for exchange rate and predictions", Computational Statistics & Data Analysis, 30, 87-102, (1999).
[LJUN78]
Ljung, G.M. and Box, G.E.P.. On a measre of lack of fit in time series models, Biometrika, 65, 297-303.
[MATE03]
Mat, C y Olivas, A: II," Anales de Mecnica y Electricidad. vol. LXXX, no. I, pp. 56-64, January 2003
[MEAD02]
Meade, N. A comparison of the accuracy of short term foreign exchange forecasting methods. International Journal of Forecasting 18, 67-83. (2002).
[MEES83]
Meese, R. A. and Rogoff, K. S., Empirical exchange rate models of the seventies: Do they fit out of sample?, Journal of International Economics 14, (1983) 3-24.
[MOOR66]
[MUO07]
Muoz A., Mat, C., Arroyo, J. and Sarabia, A. iMLP: Applying Multi-Layer Perceptrons to Interval-Valued Data. Neural Processing Letters, Volume 25, Number 2 / Pages 157-169. April, 2007.
[PEEL95] [SAMU48]
Peel, D. A. y Yadav, P.: Empirical Economics. Samuelson, P.A. y Nordhaus, W.D.: Economics. McGraw Hill, 1948.
107
[SHAN96]
M. Shanker, M. Y. Hu and M. S. Hung, E_ect of data standardization on neural network training, Omega 24(4) (1996) 385397.
[SHIN07]
Shin, H. W. and Sohn, S.Y. Application of an EWMA combining technique to the prediction of currency exchange rates. IIE Transactions 39, 639-644. (2007).
[SHIS57]
Shiskin J., Electronic computers and business indicators, National Bureau of Economic Research, Ocassional Paper 57.
[SOLA99]
So M. K. P., Lam K., Li W. K., Forecasting exchange rate volatility using autoregressive random variance model, Applied Financial Economics
[TENT96]
Tenti, P: Forecasting Foreign Exchange Rates Using Recurrent Neural Networks. Applied Artificial Intelligence 10(6): 567-582 (1996)
[TRIE05]
Triennial Central Bank Survey. Bank for International Settlements. Basel, Switzerland. 2005.
[TSAY02]
Tsay, R.S. Analysis of Financial Time Series. John Wiley and Sons, New Jersey. 2002.
[WALC01]
S. Walczak, An empirical analysis of data requirements for financial forecasting with neural networks, Journal of Management Information System 17(4) (2001) 203222.
[WALLS06] The Wall Street Journal Europe (2/9/06 p. 20). [WEIG92] A. S. Weigend, B. A. Huberman and D. E. Rumelhart, Predicting sunspots and exchange rates with connectionist networks, in
108
Nonlinear Modeling and Forecasting, eds. M. Casdagli and S. Eubank (Addison-Wesley, Redwood City, CA, 1992), pp. 395432. [WEIJ95] W. X. Wei and Z. H. Jiang, Artificial neural network forecasting model for exchange rate and empirical analysis, Forecasting 2 (1995) 6769. [WIKI07] Wikipedia: The Free Encyclopedia http://www.wikipedia.com [YAOT00] J. T. Yao and C. L. Tan, A case study on using neural networks to perform technical forecasting of forex, Neurocomputing 34 (2000) 7998. [ZHAN98] G. Zhang and M. Y. Hu, Neural network forecasting of the British Pound/US Dollar exchange rate, Journal of Management Science 26(4) (1998) 495506.
109
VI. Apndices
110
Resumen estadstico Percentiles Grficas: o Histograma de frecuencias o Traza de densidad o Box-Whisker o Grfica de probabilidad normal o Grfica de cuantiles o Simetra respecto a la mediana
111
Coeficiente -13,0631
Percentiles
Mximos EUR/USD 1,0% 5,0% 10,0% 25,0% 50,0% 75,0% 90,0% 95,0% 99,0% 0,8565 0,884 0,9117 1,06 1,1684 1,2523 1,2993 1,3253 1,352 USD/JPY 103,2 105,37 106,46 109,75 117,69 121,66 129,48 134,15 144,2 USD/CHF 1,1588 1,2058 1,2269 1,2723 1,4052 1,59825 1,7046 1,7401 1,8006 GBP/USD 1,4137 1,4296 1,4481 1,559 1,647 1,8149 1,8978 1,9473 1,988 EUR/GBP 0,5924 0,6081 0,6147 0,6302 0,6695 0,6867 0,6973 0,7038 0,7151
112
Tipo de cambio
Histograma
Traza de densidad
Histogram
600 500
3 2,5
Density Trace
frequency
EUR/USD
density
_HIGH_
_HIGH_
Histogram
800
0,04 0,03
Density Trace
frequency
USD/JPY
density
_HIGH_
_HIGH_
Histogram
500
2 1,6
Density Trace
frequency
400
density
USD/CHF
_HIGH_
_HIGH_
Histogram
500
Density Trace
2 1,6
frequency
density
GBP/USD
_HIGH_
_HIGH_
113
Histogram
500
12 10
Density Trace
frequency
400 300 200 100 0 0,57 0,6 0,63 0,66 0,69 0,72 0,75
EUR/GBP
density
_HIGH_
_HIGH_
Tipo de cambio
Box-Whisker
Probabilidad normal
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 0,83
EUR/USD
0,83 0,93 1,03 1,13 1,23 1,33 1,43
percentage
0,93
1,03
1,13
1,23
1,33
1,43
_HIGH_
_HIGH_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 100
USD/JPY
100 110 120 130 140 150
percentage
110
120
130
140
150
_HIGH_
_HIGH_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,1
USD/CHF
1,1 1,3 1,5 1,7 1,9
percentage
1,3
1,5
1,7
1,9
_HIGH_
_HIGH_
114
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,3
GBP/USD
1,3 1,5 1,7 1,9 2,1
percentage
1,5
1,7
1,9
2,1
_HIGH_
_HIGH_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 0,57
EUR/GBP
0,57 0,61 0,65 0,69 0,73
percentage
0,61
0,65
0,69
0,73
_HIGH_
_HIGH_
Tipo de cambio
Cuantiles
Simetra
Quantile Plot
1
proportion
0,8 0,6 0,4 0,2 0 0,83 0,93 1,03 1,13 1,23 1,33 1,43
EUR/USD
_HIGH_
Quantile Plot
1
proportion
0,8 0,6 0,4 0,2 0 100 110 120 130 140 150
USD/JPY
_HIGH_
115
Quantile Plot
1
proportion
USD/CHF
_HIGH_
Quantile Plot
1 0,8 0,6 0,4 0,2 0 1,3 1,5 1,7 1,9 2,1
Symmetry Plot
0,4 0,3 0,2 0,1 0 0 0,1 0,2 0,3 0,4
GBP/USD
proportion
_HIGH_
Quantile Plot
distance above median
1
0,1 0,08 0,06 0,04 0,02 0 0 0,02
Symmetry Plot
proportion
EUR/GBP
0,04
0,06
0,08
0,1
_HIGH_
116
Coeficiente -13,0679
Percentiles
Mnimos EUR/USD 1,0% 5,0% 10,0% 25,0% 50,0% 75,0% 90,0% 95,0% 0,847 0,8766 0,9009 1,0488 1,1566 1,2442 1,2907 1,3153 USD/JPY 102,12 104,16 105,46 108,75 116,5 120,43 127,83 132,71 USD/CHF 1,1474 1,1936 1,2168 1,25925 1,38735 1,5822 1,6841 1,7215 GBP/USD 1,4004 1,4197 1,4366 1,5483 1,635 1,7989 1,8838 1,9315 EUR/GBP 0,5842 0,6014 0,6093 0,6247 0,6645 0,6824 0,6927 0,699
99,0%
1,3428
141,42
1,7821
1,9768
0,7085
117
Tipo de cambio
Histograma
Traza de densidad
Histogram
600 500
3 2,5
Density Trace
frequency
EUR/USD
density
_LOW_
_LOW_
Histogram
600 500
Density Trace
0,04 0,03
frequency
USD/JPY
density
400
_LOW_
_LOW_
Histogram
600 500
Density Trace
2 1,6
frequency
density
1 1,2 1,4 1,6 1,8 2
USD/CHF
_LOW_
_LOW_
Histogram
500
Density Trace
2 1,6
frequency
400
density
1,3 1,5 1,7 1,9 2,1
GBP/USD
_LOW_
_LOW_
118
Histogram
500
Density Trace
10 8
frequency
400 300 200 100 0 0,56 0,59 0,62 0,65 0,68 0,71 0,74
density
EUR/GBP
_LOW_
_LOW_
Tipo de cambio
Box-Whisker
Probabilidad normal
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1
EUR/USD
0,82 0,92 1,02 1,12 1,22 1,32 1,42
percentage
_LOW_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 100 110
_LOW_
USD/JPY
100 110 120 130 140 150
percentage
_LOW_
120
130
140
150
_LOW_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,1
USD/CHF
1,1 1,3 1,5 1,7 1,9
percentage
_LOW_
1,3
1,5
1,7
1,9
_LOW_
119
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,3
GBP/USD
1,3 1,5 1,7 1,9 2,1
percentage
1,5
1,7
1,9
2,1
_LOW_
_LOW_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 0,56
EUR/GBP
0,56 0,59 0,62 0,65 0,68 0,71 0,74
percentage
_LOW_
0,59
0,62
0,65
0,68
0,71
0,74
_LOW_
Tipo de cambio
Cuantiles
Simetra
Quantile Plot
distance above median
1
0,4 0,3 0,2 0,1 0 0
Symmetry Plot
proportion
0,8 0,6 0,4 0,2 0 0,83 0,93 1,03 1,13 1,23 1,33 1,43
EUR/USD
0,1
0,2
0,3
0,4
_HIGH_
Quantile Plot
1
proportion
0,8 0,6 0,4 0,2 0 100 110 120 130 140 150
USD/JPY
_LOW_
120
Quantile Plot
1
proportion
USD/CHF
_LOW_
Quantile Plot
1
proportion
GBP/USD
_LOW_
Quantile Plot
1
proportion
0,8 0,6 0,4 0,2 0 0,56 0,59 0,62 0,65 0,68 0,71 0,74
EUR/GBP
_LOW_
121
Coeficiente -13,0753
Percentiles
Cierres EUR/USD 1,0% 5,0% 10,0% 25,0% 50,0% 75,0% 90,0% 95,0% 0,8529 0,8808 0,9064 1,0537 1,1614 1,2482 1,2951 1,3205 USD/JPY 102,6 104,79 105,93 109,25 117,17 121,09 128,72 133,45 USD/CHF 1,1524 1,1989 1,2221 1,26665 1,39475 1,58825 1,6941 1,7307 GBP/USD 1,4075 1,4252 1,4428 1,5538 1,6403 1,807 1,8925 1,9415 EUR/GBP 0,5886 0,6042 0,612 0,6276 0,6669 0,6844 0,695 0,7014
99,0%
1,3468
142,57
1,7929
1,9831
0,7116
122
Tipo de cambio
Histograma
Traza de densidad
Histogram
600 500
Density Trace
3 2,5
frequency
EUR/USD
density
400
_CLOSE_
_CLOSE_
Histogram
800
Density Trace
0,04 0,03
frequency
USD/JPY
density
_CLOSE_
_CLOSE_
Histogram
600 500
Density Trace
2 1,6
frequency
density
1 1,2 1,4 1,6 1,8 2
USD/CHF
_CLOSE_
_CLOSE_
Histogram
500
Density Trace
2 1,6
frequency
density
GBP/USD
_CLOSE_
_CLOSE_
123
Histogram
500
Density Trace
12 10
frequency
400 300 200 100 0 0,56 0,59 0,62 0,65 0,68 0,71 0,74
EUR/GBP
density
_CLOSE_
_CLOSE_
Tipo de cambio
Box-Whisker
Probabilidad normal
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 0,82
EUR/USD
0,82 0,92 1,02 1,12 1,22 1,32 1,42
percentage
0,92
1,02
1,12
1,22
1,32
1,42
_CLOSE_
_CLOSE_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 100 110 120 130 140 150
USD/JPY
100 110 120 130 140 150
_CLOSE_
percentage
_CLOSE_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,1
USD/CHF
1,1 1,3 1,5 1,7 1,9
percentage
1,3
1,5
1,7
1,9
_CLOSE_
_CLOSE_
124
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 1,3
GBP/USD
1,3 1,5 1,7 1,9 2,1
percentage
1,5
1,7
1,9
2,1
_CLOSE_
_CLOSE_
Box-and-Whisker Plot
99,9 99 95 80 50 20 5 1 0,1 0,57
EUR/GBP
0,57 0,61 0,65 0,69 0,73
percentage
0,61
0,65
0,69
0,73
_CLOSE_
_CLOSE_
Tipo de cambio
Cuantiles
Simetra
Quantile Plot
1
proportion
0,8 0,6 0,4 0,2 0 0,82 0,92 1,02 1,12 1,22 1,32 1,42
EUR/USD
_CLOSE_
Quantile Plot
distance above median
1 30 25 20 15 10 5 0 0 5 0,8 0,6 0,4 0,2 0 100 110 120 130 140 150
Symmetry Plot
USD/JPY
proportion
10
15
20
25
30
_CLOSE_
125
Quantile Plot
1
proportion
USD/CHF
_CLOSE_
Quantile Plot
1
proportion
GBP/USD
_CLOSE_
Quantile Plot
1
proportion
EUR/GBP
_CLOSE_
126
Apndice B Muestra de valores observados y predichos segn el modelo de prediccin de centro y radio
A continuacin se expone una muestra del histrico utilizado para el modelo del captulo 6 con las predicciones y medidas de precisin obtenidas para la muestra, consistente en los 30 das de cotizacin del USD/JPY desde 16-1-2007 hasta 26-2-2007.
Prediccin Error Prediccin GARCH+ Error^2 ingenua Mximo del da mximo Error p. Error^2 p. GARCH+RN RN GARCH+RN mximo ingenua Ingenua observado Fecha 20070116 120,77 120,6864 -0,0836 0,00698896 120,61 -0,16 0,0256 20070117 120,88 120,8713 -0,0087 7,569E-05 120,77 -0,11 0,0121 20070118 121,59 121,0046 -0,5854 0,34269316 120,88 -0,71 0,5041 20070119 121,48 121,5176 0,0376 0,00141376 121,59 0,11 0,0121 20070122 121,79 121,7253 -0,0647 0,00418609 121,48 -0,31 0,0961 20070123 121,75 121,956 0,206 0,042436 121,79 0,04 0,0016 20070124 121,79 121,774 -0,016 0,000256 121,75 -0,04 0,0016 20070125 121,3 121,5281 0,2281 0,05202961 121,79 0,49 0,2401 20070126 121,65 120,9755 -0,6745 0,45495025 121,3 -0,35 0,1225 20070129 122,19 122,007 -0,183 0,033489 121,65 -0,54 0,2916 20070130 122 122,2821 0,2821 0,07958041 122,19 0,19 0,0361 20070131 121,74 122,0641 0,3241 0,10504081 122 0,26 0,0676 20070201 120,91 121,4062 0,4962 0,24621444 121,74 0,83 0,6889 20070202 121,54 120,7149 -0,8251 0,68079001 120,91 -0,63 0,3969 20070205 121,17 121,6884 0,5184 0,26873856 121,54 0,37 0,1369 20070206 120,57 121,0128 0,4428 0,19607184 121,17 0,6 0,36 20070207 120,81 120,5279 -0,2821 0,07958041 120,57 -0,24 0,0576 20070208 121,44 120,8827 -0,5573 0,31058329 120,81 -0,63 0,3969 20070209 122,09 121,5988 -0,4912 0,24127744 121,44 -0,65 0,4225 20070212 122,05 122,1575 0,1075 0,01155625 122,09 0,04 0,0016 20070213 121,86 122,2795 0,4195 0,17598025 122,05 0,19 0,0361 20070214 121,37 121,7882 0,4182 0,17489124 121,86 0,49 0,2401 20070215 120,75 121,2656 0,5156 0,26584336 121,37 0,62 0,3844 20070216 119,57 120,1374 0,5674 0,32194276 120,75 1,18 1,3924 20070219 119,73 119,5427 -0,1873 0,03508129 119,57 -0,16 0,0256 20070220 120,35 120,0279 -0,3221 0,10374841 119,73 -0,62 0,3844 20070221 121,19 120,5315 -0,6585 0,43362225 120,35 -0,84 0,7056 20070222 121,64 121,0575 -0,5825 0,33930625 121,19 -0,45 0,2025 20070223 121,63 121,9235 0,2935 0,08614225 121,64 0,01 0,0001 20070226 121,07 121,7267 0,6567 0,43125489 121,63 0,56 0,3136 Suma Suma error^2 5,52576493 error^2 7,5572 U-Theil 0,855097713
127