Descripción del proyecto
HOY EN DIA LA CANTIDAD DE INFORMACION ES INMENSA Y LOS PRINCIPALES DESAFIOS SON EL USO DE LOS METODOS ESTADISTICOS PARA TRATAR CON DATOS DE ALTA DIMENSION; LA DELIMITACION A LA INFORMACION RELEVANTE; EL USO DE ESTA INFORMACION PARA PRODUCIR RESULTADOS FAVORABLES. RECIENTEMENTE, HA HABIDO UNA EXPLOSION DE INVESTIGACION SOBRE PROBLEMAS RELACIONADOS CON GRANDES CONJUNTOS DE DATOS. POR LO TANTO, ESTA PROPUESTA TRATA DE LOS AVANCES EN EL CAMPO DE LA ECONOMETRIA FINANCIERA PROPONIENDO NUEVOS MODELOS, ASI COMO ESTRATEGIAS DE ESTIMACION EN EL CONTEXTO DE DATOS MASIVOS. EN PARTICULAR, NUESTRO OBJETIVO ES RESPONDER PREGUNTAS RELEVANTES RELACIONADAS CON LAS NO-LINEALIDADES, EL USO DE TECNICAS DE APRENDIZAJE AUTOMATICO (MACHINE LEARNING, ML) Y LA MODELIZACION DE VOLATILIDAD EN EL ENTORNO DE DATOS MASIVOS.EN PRIMER LUGAR, NOS BASAMOS EN LOS MODELOS LINEALES CLASICOS QUE INVESTIGAN LOS PATRONES TRANSVERSALES DE LOS RENDIMIENTOS FINANCIEROS Y EXTENDEMOS LOS MODELOS EXISTENTES A MARCOS NO LINEALES. LA IMPORTANCIA DE LAS NO-LINEALIDADES EN LA MEJORA DE LA VALORACION DE ACTIVOS Y LA ASIGNACION DE CARTERAS HA SIDO DEMOSTRADA EN VARIOS ESTUDIOS RECIENTES. SIN EMBARGO, DEBIDO AL AUMENTO DRAMATICO EN EL NUMERO DE VARIABLES Y LA COMPLEJIDAD DE LOS METODOS DE INFERENCIA Y PREDICCION, TODAVIA HAY MUCHOS DESAFIOS QUE DEBEN ABORDARSE. ESTA PROPUESTA ESPERA MEJORAR LOS MODELOS EXISTENTES DE VALORACION DE ACTIVOS PROPONIENDO ESPECIFICACIONES NO LINEALES FLEXIBLES QUE PUEDAN MANEJAR UN GRAN NUMERO DE VARIABLES EXPLICATIVAS.EN SEGUNDO LUGAR, NOS APOYAMOS EN LOS METODOS DE ML QUE PUEDEN DESCUBRIR RELACIONES COMPLEJAS ENTRE VARIABLES EN CONJUNTOS DE DATOS DE ALTA DIMENSION Y PUEDEN MEJORAR LA PREDICCION EN DIFERENTES CONTEXTOS, COMO EL RENDIMIENTO DE LOS FONDOS DE INVERSION O LAS VARIABLES MACROECONOMICAS. ML HA SIDO UNA HERRAMIENTA POPULAR PARA TRATAR CON GRANDES Y DIVERSOS CONJUNTOS DE DATOS, Y NUESTRO OBJETIVO EN ESTA PROPUESTA ES APLICAR ESOS METODOS PARA MEJORAR LA PRECISION DE LA PREDICCION. LOS METODOS ML, COMO LOS METODOS BASADOS EN ARBOLES DE DECISION Y LAS REDES NEURONALES, PUEDEN EXPLOTAR LAS NO-LINEALIDADES E INTERACCIONES, Y, POR LO TANTO, PUEDEN DESCUBRIR PREDICTIBILIDAD QUE SE PERDERIA CON LOS METODOS LINEALES. ESPERAMOS QUE LA APLICACION DE LOS METODOS ML MEJORE LOS MODELOS EXISTENTES.FINALMENTE, NOS ENFOCAMOS EN MODELAR Y PREVER LA VOLATILIDAD Y CO-VOLATILIDAD FINANCIERAS, QUE ES UNO DE LOS COMPONENTES MAS IMPORTANTES EN LOS PROBLEMAS DE ASIGNACION DE CARTERAS, Y TAMBIEN UNA MEDIDA DE RIESGO. LOS MODELOS Y METODOS DE ESTIMACION ESTANDAR SON UTILIZADOS POR LOS FONDOS DE INVERSION Y LOS RESPONSABLES POLITICOS. SIN EMBARGO, SE HA DEMOSTRADO QUE ESTOS MODELOS NO FUNCIONAN BIEN EN TIEMPOS TURBULENTOS. EXISTE UNA NECESIDAD DE MODELOS MAS COMPLEJOS, PERO NO EXCESIVAMENTE PARAMETRIZADOS QUE PUEDAN REACCIONAR A LOS CAMBIOS EN EL ENTORNO EXTERNO CON DATOS MASIVOS Y ALEJARSE DE UN MARCO LINEAL SIMPLISTA. ESPERAMOS QUE LOS NUEVOS MODELOS NO LINEALES DE VOLATILIDAD Y CO-VOLATILIDAD PRODUZCAN PRONOSTICOS SUPERIORES, ASI COMO MEJOREN LOS RESULTADOS DE ASIGNACION DE CARTERAS Y GESTION DE RIESGOS.EN RESUMEN, ESTA PROPUESTA ABORDA VARIOS TEMAS IMPORTANTES RELACIONADOS CON LAS NO-LINEALIDADES Y LOS DATOS MASIVOS EN EL CAMPO DE LA ECONOMETRIA FINANCIERA. LOS METODOS PROPUESTOS TIENEN VARIAS APLICACIONES DE DATOS REALES EN PROBLEMAS CLASICOS COMO LA VALORACION ACTIVOS, LA PREDICCION DE LAS VARIABLES MACROECONOMICAS Y LA SELECCION DE CARTERAS, ENTRE OTROS. DATOS MASIVOS\VOLATILIDAD\PREDICCION\CARTERAS DE INVERSION\APRENDIZAJE AUTOMATICO