Predicción de la volatilidad de acciones bursátiles: modelo GARCH vs red neuronal LSTM

Abstract

[ES] En el presente trabajo se realiza una comparación entre dos metodologías para la predicción de la volatilidad de las acciones bursátiles: el modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity) y la red neuronal recurrente LSTM (Long Short-Term Memory). Para ello, se analiza la volatilidad de diferentes acciones bursátiles, mediante la programación de los modelos con el lenguaje de Python. En primer lugar, se analiza las características y estadísticas descriptivas de la volatilidad diaria de las acciones seleccionadas en este trabajo. En segundo lugar, se describen de forma resumida, los modelos a evaluar. Por último, una vez estimados cada uno de ellos, se calculan las correspondientes predicciones de la volatilidad diaria y se evalúa la precisión y eficacia de cada modelo mediante medidas del error de predicción como el MAPE (Mean Absolute Percentage Error) y el RSME (Root Mean Square Error).

[EN] In the present work, a comparison is made between two methodologies for predicting stock market volatility: the GARCH (Generalized Autoregressive Conditional Heteroskedasticity) model and the LSTM (Long Short-Term Memory) recurrent neural network. To do this, the volatility of different stocks is analyzed by programming the models using the Python language. Firstly, the characteristics and descriptive statistics of the daily volatility of the selected stocks in this study are analyzed. Secondly, the models to be evaluated are briefly described. Finally, once each of them is estimated, the corresponding predictions of daily volatility are calculated, and the accuracy and effectiveness of each model are evaluated using prediction error measures such as MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Square Error).

[CA] En el present treball es realitza una comparació entre dues metodologies per a la predicció de la volatilitat de les accions borsàries: el model GARCH (Generalized Autoregressive Conditional Heteroskedasticity) i la xarxa neuronal recurrent LSTM (Long Short-Term Memory). Per a això, s'analitza la volatilitat de diferents accions borsàries, mitjançant la programació dels models amb el llenguatge de Python. En primer lloc, s'analitzen les característiques i estadístiques descriptives de la volatilitat diària de les accions seleccionades en aquest treball. En segon lloc, es descriuen de forma resumida els models a avaluar. Finalment, una vegada estimats cadascun d'ells, es calculen les corresponents prediccions de la volatilitat diària i s'avalua la precisió i eficàcia de cada model mitjançant mesures de l'error de predicció com ara el MAPE (Mean Absolute Percentage Error) i el RMSE (Root Mean Square Error).