Análisis de series temporales económicas: enfoques desde modelos econométricos y aprendizaje automático

La volatilidad de los datos y la volatilidad de los mercados están obligando a los modelos de pronóstico económico y financiero a cambiar drásticamente. El seminario «Análisis de Series Temporales Económicas» muestra la tendencia a combinar la econometría tradicional con técnicas de aprendizaje automático, abriendo una vía de pronóstico más flexible y precisa.

En el contexto de grandes volúmenes de datos, mercados que cambian rápidamente y relaciones económicas cada vez más complejas, las demandas de herramientas de previsión económica y financiera están cambiando drásticamente.

Esto quedó claramente demostrado en el seminario científico "Análisis de series de tiempo económicas: enfoques desde modelos econométricos y aprendizaje automático", organizado por la Academia de Finanzas y el Centro Internacional de Investigación y Capacitación Matemática, con presentaciones del Dr. Cu Thu Thuy y el MSc. Hoang Huu Son.

El debate no sólo proporcionó una visión general completa de los modelos tradicionales de series de tiempo, sino que, lo que es más importante, destacó un nuevo paso adelante: la actualización de los modelos econométricos con técnicas modernas de aprendizaje automático.

La parte introductoria del seminario sistematiza las características de las series de tiempo como tendencia, estacionalidad, ciclos, estacionariedad, ruido y modelos clásicos como ARIMA, SARIMA, ARDL, ECM, VAR/VECM o GARCH...

El MSc. Hoang Huu Son realizó una presentación en el Seminario sobre modelos de aprendizaje automático en el análisis de series de tiempo.

Estas herramientas han formado la base de la investigación econométrica durante décadas, con claras ventajas: buen poder interpretativo, marco teórico estandarizado, bajo costo computacional e idoneidad para datos de pequeña escala.

Hoy en día, los mercados financieros operan con diversas estructuras caracterizadas por una alta incertidumbre, numerosos shocks y dependencias a largo plazo. El número de variables y fuentes de datos se expande rápidamente, desde datos de alta frecuencia hasta datos no estructurados. En este entorno, los supuestos tradicionales (estacionariedad, distribución normal, linealidad, etc.) a menudo ya no son adecuados, lo que limita la precisión de los modelos tradicionales. El aprendizaje automático es uno de los enfoques modernos y relevantes.

Por lo tanto, el seminario resume los conocimientos básicos del aprendizaje automático y su función, las redes neuronales y el aprendizaje profundo en el análisis de series temporales como MLP, RNN, LSTM, Bi-LSTM y LSTM apilado. A diferencia de los modelos lineales clásicos, el aprendizaje automático ha superado las limitaciones de los modelos econométricos tradicionales y permite modelar relaciones no lineales, memoria de dependencia a largo plazo y aprendizaje automático de patrones en series de datos.

El Dr. Cu Thu Thuy habló en el Seminario sobre Econometría y Aprendizaje Automático.

Mediante la presentación de pronósticos experimentales de precios para Bitcoin y VN-Index utilizando diferentes modelos, se ha demostrado que los modelos LSTM presentan bajos errores de RMSE, MAE y MAPE, incluso con datos muy ruidosos. Además, los modelos LSTM reflejan con precisión la naturaleza económica de los datos predichos, lo que demuestra las claras ventajas del aprendizaje automático y el aprendizaje profundo en la predicción económica y financiera.

Un punto clave destacado en el seminario fue que la econometría y el aprendizaje automático no son opuestos, sino que se complementan y potencian mutuamente. La econometría proporciona un marco teórico, estructuras de causa y efecto y capacidades de interpretación de políticas. El aprendizaje automático proporciona potentes capacidades computacionales, modelado no lineal, la capacidad de gestionar grandes conjuntos de datos e inmunidad al ruido.

Esta combinación ha creado una nueva generación de modelos –desde VAR-LSTM, un híbrido entre espacio de estados y aprendizaje profundo, hasta la transformación de series temporales– que se están convirtiendo en una tendencia de investigación internacional.

Además, las presentaciones y debates en el seminario también confirmaron la importancia de invertir en infraestructura y datos para el aprendizaje automático y el aprendizaje profundo.

Debido a que las instalaciones de investigación impactan directamente en la arquitectura, la eficiencia computacional del modelo para resolver problemas del mundo real, además de apuntar a publicaciones internacionales de alta calidad.

El seminario afirmó el cambio en el pensamiento de investigación desde confiar únicamente en modelos lineales a aprovechar modelos de aprendizaje profundo; desde pequeños conjuntos de datos a grandes conjuntos de datos; y desde el análisis descriptivo a la predicción altamente precisa.

Esta es una dirección importante para los campos de Economía Matemática, Finanzas y Banca, Análisis de Datos y Ciencia de Datos en la Academia de Finanzas.

Fuente: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html