Regression models averaging under interval-valued databases. Applications in financial markets.

Abstract

La necesidad de realizar predicciones fiables en el ámbito de los mercados financieros da lugar al desarrollo de modelos de regresión y técnicas que permitan mejorar sus características y desempeño. Entre los avances más recientes en este campo, se encuentran el desarrollo de métodos de regresión para datos de intervalo, que proporcionan una información más completa del problema, y la combinación de modelos, que reduce la incertidumbre debida a la pérdida de información al descartar ciertos modelos. A través del desarrollo de funciones de MATLAB, se analizan y comparan diversos modelos de regresión (lineal y no lineal) en distintas bases de datos extraídas de la información bursátil de los últimos años. Los modelos son evaluados en función de parámetros estadísticos (U de Theil, tasa de cubrimiento, tasa de eficiencia, distancia media de error) que determinan su precisión y rendimiento. Las funciones creadas también permiten realizar una combinación de los modelos seleccionados, mediante pesos iguales y mediante pesos óptimos, para estudiar las ventajas que la combinación aporta a la calidad de las predicciones. El estudio realizado concluye que la combinación de modelos es realmente una manera de obtener predicciones más fiables en el campo de los mercados financieros, reduciendo su error y aumentando su porcentaje de exactitud. Se ha demostrado que la combinación por media simple es capaz de batir a la combinación por pesos óptimos en escenarios con modelos similares entre sí, si bien la combinación por pesos óptimos es más útil cuando un modelo destaca sobre el resto. En cuanto a la calidad de cada tipo de modelo, por lo general, los modelos no lineales son más precisos, y no es recomendable aplicar métodos de predicción basados en tendencia a datos que no presentan una tendencia definida.

Forecasting is an essential activity in financial markets. The development of regression models and forecasting techniques plays a key role when improving the performance and characteristics of the financial predictions. Latest advances include the application of regression methods to interval-valued (IV) data, which provide more complete information about the problem, and model averaging, that reduces the uncertainty due to lost information when disregarding models. Through different functions built in MATLAB, linear and non-linear regression models are analyzed and compared in several financial databases from last years’ stock values. Models are evaluated following statistical criteria (Theil’s U, coverage rate, efficiency rate, mean distance error) that determine their accuracy and performance. These functions also combine the selected models, using equal weights and optimal weights, allowing the study of the benefits model averaging provides to the predictions’ quality. The project concludes that model averaging is a reliable way to obtain models with a better performance and more accurate predictions in financial markets. Simple averaging demonstrated its ability to beat optimal weights in sets of models with similar characteristics, while optimal weights work better in scenarios where a model outstands the rest. Regarding the quality of the different type of models, non-linear methods tend to be more accurate and tendency-based models are not useful in datasets without a clear trend.