Académique Documents
Professionnel Documents
Culture Documents
1
UNIVERSIDAD PONTIFICIA COMILLAS
2
MÉTODOS DE PREDICCIÓN PARA LOS MERCADOS DE DIVISAS
Autor: Gómez Rojo, Gabriel
Director: Maté Jiménez, Carlos
Entidad colaboradora: ICAI – Universidad Pontifica de Comillas
Los tipos de cambio y los mercados de divisas son influidos por un amplio rango
de factores macroeconómicos, a la vez que repercuten en ellos: las variaciones del
comercio internacional, los cambios en los tipos de interés y la inflación son los
principales. Según la hipótesis del mercado eficiente, la mayor parte de la información
sobre este entorno macroeconómico está ya contenida en la serie temporal de los tipos
de cambio, lo que dificulta la predicción hasta el punto que numerosos estudios han
reconocido la aleatoriedad de los tipos de cambio, apuntando al paseo aleatorio como
modelo muy difícil de batir en la predicción del mercado de divisas.
3
El primer modelo de predicción desarrollado lleva a cabo una estrategia de tipo
“divide y vencerás” 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 ésta se especialice en su serie particular y aprenda los
patrones propios de la subtendencia que se le ha asignado. La misión de cada una de
estas redes neuronales es realizar la predicción de su subtendencia para que luego se
realice el sumatorio de todas las predicciones obteniendo una predicción final del tipo
de cambio. El resultado obtenido para este modelo ha sido mixto: las subtendencias son
predichas con precisión pero al realizar la combinación final el error de precisión se ve
fuertemente amplificado, obteniéndose un error final elevado. Esto es debido a que
existe una fuerte correlación entre los errores de las predicciones de las subtendencias,
lo que hace que la combinación amplifique el error final. Estudiar las causas de esta
correlación se propone como desarrollo futuro.
4
precisión del modelo de referencia sino que también superan la precisión de variados
modelos exitosos publicados.
5
FORECASTING METHODS FOR THE FOREIGN EXCHANGE
MARKETS
ABSTRACT
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.
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
7
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.
8
Agradecimientos
A mi director, por el continuo apoyo
para sacar adelante este proyecto.
9
Índice
I. OBJETIVOS
1. Introducción y motivación del proyecto................................... 14
2. Objetivos................................................................................. 15
10
4.1 Introducción................................................................................. 44
4.2 Método de descomposición......................................................... 45
4.3 Aplicación de redes neuronales.................................................. 51
4.4 Resultados y conclusiones.......................................................... 53
5. Combinación de modelos de predicción de valores extremos 56
5.1 Introducción: análisis estadístico de precios máximos, mínimos
y de cierre.......................................................................................... 56
5.2 Predicciones basadas en retrasos consecutivos......................... 61
5.3 Predicciones basadas en retrasos con altos coeficientes de
autocorrelación.................................................................................. 64
5.4 Mejoras mediante la función de entrenamiento cuasi-
newtoniana BFGS............................................................................. 68
5.5 Combinación de predicciones – Conclusiones............................ 70
6. Modelo de predicción de centro y radio.................................. 73
6.1 Características de la distribución y volatilidad de las series
financieras......................................................................................... 73
6.2 Modelos de heteroscedasticidad condicional.............................. 75
6.3 Análisis de intervalo..................................................................... 78
6.4 Predicción del radio mediante la volatilidad................................ 79
6.5 Combinación de predicciones de radio mediante EWMA........... 81
6.6 Predicción del centro mediante perceptrón multicapa................. 83
6.7 Resultados y conclusiones de la predicción del intervalo........... 83
7. Interfaz de usuario para predicción......................................... 85
7.1 Entorno de programación............................................................ 85
7.2 Módulos de la aplicación............................................................. 85
7.3 Instalación y lanzamiento de la aplicación.................................. 86
7.4 Uso de la aplicación.................................................................... 87
7.5 Correcto funcionamiento y resolución de problemas.................. 92
11
2.2 Inversiones y costes materiales.................................................. 98
2.3 Servicios y mantenimiento anual................................................. 98
2.4 Presupuesto final......................................................................... 99
3. Herramientas utilizadas en el desarrollo del proyecto............. 100
V. Bibliografía........................................................................... 105
VI. Apéndices
A. Análisis estadístico de las series de tipos de cambio............. 111
A.1 Serie de máximos 112
A.2 Serie de mínimos 117
A.3 Serie de cierres 122
B. Muestra de predicciones y valores observados...................... 127
12
I. Objetivos
13
1. Introducción y motivación del pro-
yecto
14
2. Objetivos
15
II. Desarrollo teórico e
implantación
16
1. Introducción a los tipos de cambio
Con ello, se intenta ofrecer una visión general del comportamiento de los
tipos de cambio flexibles para crear la base de conocimiento necesaria para la
comprensión de la motivación de este proyecto y de los diferentes métodos de
predicción que serán estudiados más adelante.
17
mientras que él posee rublos rusos. Para poder realizar la transacción, el
importador ruso deberá cambiar sus rublos por euros. Para ello deberá
comprar euros con su moneda y utilizarlos posteriormente para realizar la
transacción comercial. Así pues, se podría definir el tipo de cambio como el
precio de una moneda expresado en otra, es decir, la cotización de una
divisa expresado en términos de otra moneda.
18
Es útil conocer las equivalencias ISO de las diferentes monedas pues es
la manera estándar de referirse a ellas en los mercados, y en este proyecto se
referenciarán de la misma forma. Seguidamente se muestra una lista de las
divisas más populares y sus equivalencias de códigos ISO con los nombres
comunes de las diferentes monedas:
19
1.2 Tipos de cambio fijos, flexibles y dirigidos
20
formación de la oferta y demanda de una divisa, lo que hace muy compleja la
predicción de su cotización en un momento dado. Es por ello por lo que este
proyecto se va a centrar en encontrar una posible solución a la predicción de
los tipos de cambio flexibles.
21
equilibrio de oferta y demanda. Pero si hubiera un descenso en la demanda de
aparatos electrónicos japoneses por parte de Estados Unidos causado, por
ejemplo, por el atractivo de un producto sustitutivo más barato como pueden
ser aparatos electrónicos chinos, la curva de demanda se desplazaría. Estados
Unidos cambiaría menos yenes por dólares. Así pues, el tipo de cambio del yen
frente al dólar descendería, depreciándose el yen y aumentando el precio de
los dólares en yenes. Como se puede ver, la variación del comercio ha
repercutido en el tipo de cambio.
22
1.4 Los tipos de cambio y la paridad del poder
adquisitivo. La influencia de la inflación
Es una idea de aceptación 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 política monetaria, los acontecimientos políticos 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 países.
23
compradores estadounidenses los precios de los bienes mexicanos estarían
subiendo, aunque los precios nominales en pesos no variaran. Este proceso se
produciría hasta que los precios para los compradores estadounidenses fueran
similares a los de su país, por lo que pararía cuando el tipo de cambio bajara
hasta los 10 pesos por dólar (10 USD/MXN).
Currency dollars
United States $3.10 3.10 1.00 - -
Argentina Peso 7.00 2.2609 3.0961 -27.0049 2.26
Australia A$3.25 2.4777 1.3117 -19.9512 1.05
Brazil Real6.40 2.9835 2.1451 -3.9672 2.06
Britain £1.94 3.6535 1.8832‡ 17.7024 0.625
Canada C$3.52 3.1306 1.1244 1.3874 1.14
China Yuan10.50 1.3284 7.9045 -57.113 3.39
Euro area 2.94 3.7182 0.7907 20.4478 0.9524
Hong Kong HK$12.00 1.542 7.782 -50.2699 3.87
Hungary Forint 560 2.7134 206.384 -12.2994 181
Indonesia Rupiah14,600 1.5958 9149.13 -48.5197 4,710
Japan ¥250 2.1049 118.769 -32.1372 80.6
Malaysia M$5.50 1.4926 3.6848 -51.9648 1.77
Mexico Peso29.0 2.696 10.7565 -13.0758 9.35
New Zealand NZ$4.45 2.9201 1.5239 -5.5056 1.44
Poland Zloty6.50 2.1188 3.0678 -31.547 2.10
Russia Rouble48.00 1.79 26.8157 -42.198 15.5
Singapore s$3.60 2.2945 1.569 -26.0676 1.16
South Africa Rand13.95 1.8502 7.5399 -40.3175 4.50
24
South Korea Won2,500 2.597 962.649 -16.2727 806
Sweden Skr33.0 4.5265 7.2904 45.3967 10.6
Switzerland SFr6.30 5.002 1.2595 61.1751 2.03
Taiwan NT$75.00 2.2533 33.2838 -27.292 24.2
Thailand Baht60.0 1.6198 37.0411 -47.6257 19.4
‡ Dollars per pound
25
¿Pero qué pasa en una economía abierta global en la que los inversores
tienen acceso también a bonos de otros países? En ese caso, las posibilidades
de inversión aumentan considerablemente y los agentes buscarán el mercado
que ofrezca la máxima rentabilidad, teniendo en cuenta también la variación 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
relación para mantener el equilibrio, siendo i el tipo de interés nacional, i * el tipo
de interés extranjero, E el tipo de cambio y Ee el tipo de cambio esperado:
Esta relación indica que el tipo de interés nacional debe ser igual al tipo
extranjero más la depreciación esperada de la moneda nacional con respecto a
la divisa extranjera. La relación anterior puede expresar el tipo de cambio
actual en función del tipo de cambio esperado y de los tipos de interés,
quedando de la siguiente manera:
E = Eet+1 / (1 + i – i*)
26
produciría un flujo de capital a Estados Unidos desde Europa, vendiendo los
inversores sus euros por dólares. Este hecho empujaría la cotización del dólar
al alza pues aumenta su demanda e incrementa la oferta de euros,
depreciándose el euro respecto al dólar, o lo que es lo mismo,
desencadenando la apreciación del dólar.
27
2. Los mercados de divisas
- Londres: 31%
- Nueva York: 19%
- Tokio: 8%
- Singapur: 5%
28
- Frankfurt: 5%
- Hong Kong: 4%
- Sidney: 3%
- Zurich: 3%
Figura 2.1.1 – Gráfico 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 características de los mercados de derivados son:
Operaciones OTC:
30
cabo normalmente por operadores comerciales/financieros que desean eliminar
el riesgo de tipo de cambio en el futuro. Ejemplo:
31
- Al contado o spot: es la forma más clásica, involucrando el cambio de una
divisa por otra en el plazo de 2 días. Este plazo de entrega es un remanente
del pasado, en el que 2 días 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 especulación actualmente no se respeta el plazo de 2 días de
entrega sino que diariamente se cierra la posición y se reabre inmediatamente
durante otras 24 horas, pudiéndose alargar de forma artificial la operación por
tiempo ilimitado. Un ejemplo de operación especulativa podría ser el siguiente:
32
contado. Diferencias adicionales a las ya explicadas en el modo de operar spot
vs. futuros son los plazos de la operación (en futuros normalmente un máximo
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 interés (en spot el interés se cobra o deduce diariamente
mientras que en los futuros el diferencial de tipos de interés viene incluido en la
cotización del contrato, no deduciéndose ni cobrándose en ningún momento
interés).
33
Según 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 mayoría de los tipos de cambios. Es decir, si un comerciante
desea intercambiar pesos mexicanos por yenes, deberá cambiar primero sus
pesos por dólares y luego sus dólares por yenes. Según Wikipedia [WIKI07]
sólo hay una excepción 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 también existen
los tipos de cambio directos en el caso de EUR/GBP y EUR/CHF.
34
3. Redes neuronales artificiales en la
predicción de tipos de cambio
3.1 Introducción
35
Sin embargo, las redes neuronales artificiales son útiles a la hora de
encontrar soluciones precisas en un entorno caracterizado por información
parcial, compleja, ruidosa o irrelevante. Algunas de las características que
hacen a las redes neuronales especialmente prácticas para este propósito son:
- Son autoadaptativas.
- Son capaces de generalizar.
- Son no-lineales.
36
para el diseño de las redes neuronales es probablemente la principal causa de
las inconsistencias encontradas en los diferentes trabajos de investigación
sobre predicción del mercado de divisas usando redes neuronales.
37
[ZHAN98] tampoco encontraron diferencias significativas entre el uso de datos
normalizados y datos originales.
3.4.1 Feedforward
38
- Su velocidad de entrenamiento es aceptable comparada con otras redes más
complejas.
El MLP está formado por tres capas: capa de entrada, capa oculta y
capa de salida. La capa oculta está formada por un número de neuronas
arbitrario y puede ser a su vez dividida en más 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 oculta
39
- Redes de función de base radial (RBFN): estas redes usan una función
gaussiana en las neuronas de la capa oculta. Generalmente tienen un tiempo
de entrenamiento reducido, requiriendo menor tamaño muestral, y, a diferencia
del perceptrón multicapa, no se bloquean en mínimos locales.
3.4.2 Retroalimentación
40
Figura 3.4.2 – Red neuronal recurrente.
Fuente: Bryan Davis http://plaza.ufl.edu/badavis/EEL6586/NeuralNetworks.html
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.
42
del caos para la predicción de DEM/USD. Todos los modelos tuvieron
comportamiento similar al paseo aleatorio excepto el de lógica borrosa.
43
4. Modelo de predicción mediante
descomposición en subtendencias
4.1 Introducción
44
llevar a cabo una red neuronal general trabajando sobre la serie temporal
global.
45
instantáneamente en el precio de los activos. Es por ello por lo que
habitualmente se trabaja sobre los datos “crudos”.
El algoritmo es el siguiente:
donde α es una constante entre 0 y 1 que determina el peso que tendrán las
observaciones recientes. A menor α el suavizado será mayor.
46
Figura 4.2.1 - EUR/USD 60 min. 2003-2007 y alisado exponencial α=0.00133 (Τ1)
αn = Φ2 αn-1
47
La razón para escoger esta proporción es que el número áureo es
frecuentemente utilizado en el análisis técnico de los mercados como
referencia para proporciones temporales y de precios. De cualquier forma, la
elección de la proporción entre los diferentes valores de α usados en este
método de descomposición requiere experimentación.
48
Φ2 αn < 1
Figura 4.2.3
49
Figura 4.2.4
Figura 4.2.5
50
4.3 Aplicación de redes neuronales
Una nueva pregunta que puede plantearse es, ¿qué tipo de entrada
recibirá de la red neuronal?
51
generalice al máximo posible. Incluir excesivos valores puede ser
contraproducente para nuestro interés.
Figura 4.3.1
52
embargo sí que se hará una pequeña transformación que consiste en calcular
la diferencia de un valor con el anterior y utilizar el resultado como entrada.
Por último, una de las elecciones que generó diferencias más notables
en los resultados fue la elección de la función de entrenamiento. Las siguientes
funciones fueron probadas:
53
de la predicción. Algunos otros trabajos que lo usan son entre otros los de Billio
et al. [BILL00]
54
una fuerte correlación entre los errores de las predicciones individuales, lo que
hace que al sumarlas se amplifique el error final.
Correlación
Error P7 – Error P8 0.9689
Error P6 – Error P7 0.9830
Error P5 – Error. P6 0.9887
Error P4 – Error P5 0.9958
Error P3 – Error P4 0.9971
Error P2 – Error P3 0.8856
55
5. Combinación de modelos de pre-
dicción de valores extremos
56
Función de Autocorrelación (ACF)
Uno de los estadísticos que más información aporta para identificar
posibles modelos de predicción para una serie es la función de autocorrelación
(ACF).
∑ (Y − Y )(Yt t −k −Y )
rk = t = k +1
n
∑ (Y − Y )
t =1
t
2
Ecuación 5.1.1
57
observar el correlograma del precio de cierre del USD/JPY en períodos de un
día durante los 20 primeros retrasos:
En esta figura se puede ver que ningún retraso de los precios de cierre
tiene una correlación elevada como para poder ser suficientemente interesante
para explicar el próximo valor.
58
En este caso sí hay una correlación suficientemente fuerte con la serie
retrasada un período, lo que da una idea de que se encontrará información
valiosa en el primer retraso para hacer predicciones del próximo valor.
59
diferencia entre sí. Es por ello por lo que se usa la función de autocorrelación
parcial (PACF), que nos permite medir el grado de asociación entre Yt y Yt-k
cuando los efectos de los retrasos 1, 2, 3, ... , k – 1 son eliminados.
60
Ecuación 5.1.5
61
5.2 Predicciones basadas en retrasos
consecutivos
62
autocorrelaciones relevantes en los cierres, 1 en los máximos y 2 en los
mínimos.
63
perceptrones multicapa que reciben como entrada esta vez los 20 últimos
retrasos:
64
5.3.1 – Predicción basada en ACF
En el caso de la serie de cierres, fueron elegidos los retrasos 93, 115 y 263
como entradas. Sólo este último sobrepasa el valor crítico.
65
Después del entrenamiento, se obtuvieron los siguientes resultados del
análisis de precisión:
Comparando estos resultados con los de la tabla 5.2.1, que era la que
mejores resultados había arrojado hasta el momento, se puede observar que
para todas las series se ha conseguido una mejora consistente en las
predicciones del conjunto de validación. Especialmente interesante es la
mejora en la predicción de dirección del movimiento de la serie de cierres, que
supera ampliamente a la predicción del paseo aleatorio. El error absoluto
medio también se ha visto reducido para todas las series, aunque sólo la
predicción de mínimos obtiene un error inferior al del paseo aleatorio. Esto
coincide con los resultados de la predicción del apartado 5.2.1.
66
Figura 5.3.4 – PACF de los cuadrados de MÁXIMOS (izq.) y MÍNIMOS (dcha.)
67
La principal ventaja de estas predicciones es que aportan una
aproximación distinta al estar basadas en relaciones de la volatilidad, lo que
puede resultar útil en un modelo de combinación de predicciones.
Ecuación 5.4.1
Pcierres Pmínimos
Nuevo Anterior Nuevo Anterior
EAMT 821,92 800,5 521,64 522,82
EAMV 671,90 676,42 415,23 416,77
68
δT 50,09 52,405 56,86 56,43
δV 53,36 47,95 56,07 54,77
Tabla 5.4.2
Pmáximos
Nuevo Anterior
EAMT 723,85 720,46
EAMV 605,87 612,31
δT 56,06 56,21
δV 54,47 52,71
Tabla 5.4.3
Pcierres Pmáximos
Nuevo Anterior Nuevo Anterior
EAMT 797,55 809,5 728,25 709,06
EAMV 671,93 674,47 607,69 619,14
δT 52,49 52,53 52,89 54,78
δV 50,19 52,84 51,89 53,6
Tabla 5.4.4
69
5.5 Combinación de predicciones – Conclusiones
Tras observar las correlaciones entre los errores de los distintos
modelos se pudo comprobar como probablemente al combinar las predicciones
se obtendrían resultados superiores. Es por ello por lo que se estudió de forma
exhaustiva las posibles combinaciones a realizar, de las que se mostrarán en
este apartado las que obtuvieron los resultados óptimos.
Pcierres
Combinación Mejor Anterior
EAMT 791,90 821,92
EAMV 671,84 671,90
δT 53,74 50,09
δV 55,27 53,36
Tabla 5.5.1
70
5.5.2 – Combinación de predicciones de máximos
Pmáximos
Combinación Mejor Anterior
EAMT 717,66 723,85
EAMV 603,44 605,87
δT 56,33 56,06
δV 55,78 54,47
Tabla 5.5.2
Las entradas que recibe la red neuronal son las predicciones para el
siguiente período 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 función de
entrenamiento BFGS que no ha sido descrito en el apartado 5.4 ya que no
obtenía mejoras significativas con respecto a su predecesor entrenado con la
función Levenberg-Marquardt.
71
A continuación se muestran los datos de precisión comparados con los
obtenidos en el modelo del apartado 5.4.1 (hasta ahora la predicción óptima):
Pmínimos
Combinación Mejor Anterior
EAMT 513,72 521,64
EAMV 414,04 415,23
δT 57,16 56,86
δV 56,38 56,07
Tabla 5.5.3
72
6. Modelo de predicción de centro y
radio
73
Figura 6.1.1 – Efecto de ensanchamiento de colas
74
- La volatilidad evoluciona en el tiempo de una forma continua.
Habitualmente los saltos en volatilidad son atípicos.
- La volatilidad no diverge a infinito. Suele variar en un rango más o
menos fijo, lo cual quiere decir estadísticamente hablando que a
menudo la volatilidad es estacionaria.
75
E (at4 | Ft −1 ) = 3[ E (at2 | Ft −1 )]2 = 3(α 0 + α1at2−1 )2
Por tanto,
E (at4 ) = E[ E (at4 | Ft −1 )] = 3E (α 0 + α1at2−1 )2 = 3E[α 02 + 2α 0α1at2−1 + α12 at4−1 ]
α
m4 = 3[α 02 + 2α 0α1Var (at ) + α12 m4 ] = 3α 02 1 + 2 1 + 3α12 m4
1 − α1
Por lo que,
3α 02 (1 + α1 )
m4 =
(1 − α1 )(1 − 3α12 )
1
condición 0 ≤ α12 < ; y que la kurtosis incondicional de at es
3
E (at4 ) 3α 02 (1 + α1 ) (1 − α1 ) 2 1 − α12
= × = 3 >3
[Var (at )]2 (1 − α1 )(1 − 3α12 ) α 02 1 − 3α12
normal. De esta forma los modelos ARCH se ajustan más a la realidad de las
series financieras, recogiendo así otra de las características vistas en el
apartado 6.1.
76
prácticos es GARCH (heteroscedasticidad condicional autorregresiva
generalizada), resultado de los estudios de Bollerslev [BOLL86].
at = σ t ε t ,
m s
σ t2 = α 0 + ∑ α i at2−i + ∑ β jσ t2− j
i =1 j =1
77
apalancamiento.
GJR- Glosten et 1993 σ t2 = α 0 + βσ t2−1 + αε t2−i + αt −iε t2−i Diferenciación
GARCH al. del parámetro en
subida y en
bajada. Mayor
robustez a datos
extremos.
a L + aU a L − aU
A = a C , a R , donde aC = y aR = .
2 2
78
En el caso del mercado de divisas, el límite superior e inferior de un
intervalo diario corresponderían con el máximo y el mínimo diario alcanzado. El
modelo que se expone en este capítulo busca predecir ese intervalo en la
forma centro y radio.
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
opción adecuada para series financieras debido, entre otras cosas, a su
parsimonia.
κ= ∑φ t
= 5,8879
∑σ t
Figura 6.4.2 – Radio (rojo) vs. Predicción radio con garch (azul)
80
2
Yˆ − Y
∑ t +1 Y t +1
U= t
2
Yt +1 − Yt
∑ Y
t
Si el valor de U es mayor que 1, la precisión es peor que la de la
predicción consistente en usar el último valor observado como próximo valor
predicho (conocida también como predicción ingenua o predicción del paseo
aleatorio). Si es inferior a 1 entonces la precisión supera a la predicción del
paseo aleatorio por lo que es un buen modelo.
81
Para realizar la combinación se deseaba tener más en cuenta la
precisión que cada uno de los dos modelos estaba obteniendo recientemente
que su precisión histórica. Por ello se ha utilizado un alisado exponencial o
media móvil exponencial (EWMA, exponentially weighted moving average) del
error porcentual absoluto (APE, average percentual error):
Una vez calculado el EWMA de cada modelo, se debe asignar los pesos
w que va a tener cada predicción de la siguiente manera:
EWMAi−,t1
wi ,t = N
∑ EWMA
i =1
−1
i ,t
82
Como se puede observar, se obtiene una mejora significativa de la
precisión. Especialmente relevante es la reducción de la U-Theil.
83
MAE MSE U-Theil
Predicción 0,3736 0,2312 0,879
máximos
Paseo aleatorio 0,4094 0,2992 1
Tabla 6.7.1 – Precisión de la predicción de máximos
84
MAEP
U* =
MAERW
El resultado es el siguiente:
85
A la vista de los resultados obtenidos, puede concluirse que combinando
dos modelos distintos para contemplar dos características específicas de los
tipos de cambio, en este caso volatilidad (el radio, predicho con GARCH) y
dirección del movimiento (el centro, predicho con redes neuronales), se
consiguen resultados muy superiores a los obtenidos mediante un enfoque
menos completo.
86
7. Interfaz de usuario para el modelo
de predicción
87
• Archivo de variables de MATLAB con la red neuronal ya entrenada lista
para ser usada por la aplicación: redes1dcentroradio.mat
88
7.4. Uso de la aplicación
Los gráficos mostrados para las cotizaciones son del tipo HLC (high,
low, close), en color azul. Este tipo de gráfico muestra para cada período una
barra vertical cuyo límite superior es el máximo del día, el inferior es el mínimo
y una pequeña barra horizontal intermedia es el cierre.
Currencies
89
El número de períodos máximos a seleccionar es 260.
El usuario debe tener en cuenta que cada vez que se presione el botón
“Show” el panel de gráficos se borrará, eliminándose los gráficos de
predicciones si los hubiera, y mostrando únicamente los gráficos de las divisas
seleccionadas.
Forecasting models
90
En esta misma sección se puede observar también un menú
despegable. Este menú está pensado para futuras ampliaciones y el usuario no
le debe prestar mayor atención.
91
7.5. Correcto funcionamiento y resolución de
problemas
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 histórico de cotizaciones...
at com.oanda.fxtrade.api.e.a(Unknown Source)
at com.oanda.fxtrade.api.FXClient.login(Unknown Source)
.
93
Por último, una vez obtenida la conexión, es posible que tras un tiempo
de inactividad, la conexión con oanda.com se pierda. Los mensajes que se
mostrarán en la ventana de comandos serán similares a los siguientes:
94
III. Planificación y
presupuesto
95
1. Planificación
96
2. Presupuesto del proyecto
• Costes de ingeniería
• Inversiones y costes materiales
• Servicios y mantenimiento anual
97
El total de horas trabajadas es 620 horas, equivalente a
aproximadamente 77 días laborables con jornadas de 8 horas.
El principal coste anual será el derivado del uso del servicio API de
OANDA (Olsen and Associates). Adicionalmente se ofertará un servicio de
mantenimiento de la herramienta de predicción.
98
2.4 Presupuesto final
99
3. Herramientas utilizadas en el
desarrollo del proyecto
- JAVA v. 1.4.1.
100
IV. Conclusiones y
desarrollos futuros
101
1. Conclusiones
1. Los precios de cierre diarios de las series de tipos de cambio tienen una
elevada componente de aleatoriedad. No así los valores extremos del
día, los máximos y mínimos diarios. Difícilmente se obtienen
autocorrelaciones significativas en la serie de cierres mientras que
sucede lo contrario en los máximos y mínimos. Esto provoca que sea
más plausible obtener información sobre el futuro observando las series
de máximos y mínimos que la de cierres.
2. La parsimonia es clave a la hora de obtener un modelo de predicción
preciso capaz de generalizar. Aplicado a las redes neuronales esto
significa utilizar arquitecturas lo más sencillas posibles, con un número
reducido de entradas. En cuanto a la familia ARCH, el modelo
GARCH(1,1) es de los más sencillos posibles y sin embargo a menudo
es el que mayor precisión 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 único modelo. Es útil, y casi se puede decir que obligatorio,
utilizar más de un modelo de predicción para aproximar los diferentes
aspectos de las series financieras. Seguidamente se pueden combinar
los distintos modelos con un método dinámico como el basado en
EWMA del capítulo 6.
102
4. La predicción de datos de tipo intervalo es prometedora y aporta un
enfoque relativamente poco explorado en la predicción de tipos de
cambio. El modelo desarrollado en el capítulo 6 es un ejemplo de
aumento considerable de la precisión 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
predicción de centro y radio, se pueden realizar predicciones en otros
tipos de cambio a parte del estudiado en esta memoria, obteniéndose
precisión satisfactoria. Esto demuestra una capacidad generalizadora
del modelo muy práctica.
103
2. Desarrollos futuros
104
V. Bibliografía
[BILL00] Billio M., Sartore D., Toffano C., Combining forecasts: some
results on exchange and interest rates, The European Journal of
Finance, 6, (2000) 126
105
[FANG94] Fang, H., Lai, K.S. y Lai, M.: Fractal Structure in currency Future
Price Dynamics. 169-181. 1994
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) 1093–1110.
[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.
[MUÑO07] Muñoz A., Maté, 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.
107
[SHAN96] M. Shanker, M. Y. Hu and M. S. Hung, E_ect of data
standardization on neural network training, Omega 24(4) (1996)
385–397.
[TSAY02] Tsay, R.S. Analysis of Financial Time Series. John Wiley and
Sons, New Jersey. 2002.
108
Nonlinear Modeling and Forecasting, eds. M. Casdagli and S.
Eubank (Addison-Wesley, Redwood City, CA, 1992), pp. 395–432.
109
VI. Apéndices
110
Apéndice A
Análisis estadístico de las series de
tipos de cambio
111
A.1 Análisis de máximos diarios
Resumen estadístico
Máximos
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
Media 1,14168 117,301 1,43918 1,6718 0,660158
Desviación 0,137247 8,88714 0,182467 0,162863 0,0321826
típica
Coeficiente 12,0215% 7,57637% 12,6786% 9,74181% 4,87499%
de varia-
ción
Mínimo 0,8326 102,19 1,1374 1,3802 0,5789
Máximo 1,3681 147,65 1,8313 2,0132 0,7254
Rango 0,5355 45,46 0,6939 0,633 0,1465
Coeficiente -13,0631 14,8615 6,62386 3,56342 -6,03637
de simetría
Kurtosis -9,34041 5,31318 -11,7963 -10,2636 -10,5969
Percentiles
Máximos
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
1,0% 0,8565 103,2 1,1588 1,4137 0,5924
5,0% 0,884 105,37 1,2058 1,4296 0,6081
10,0% 0,9117 106,46 1,2269 1,4481 0,6147
25,0% 1,06 109,75 1,2723 1,559 0,6302
50,0% 1,1684 117,69 1,4052 1,647 0,6695
75,0% 1,2523 121,66 1,59825 1,8149 0,6867
90,0% 1,2993 129,48 1,7046 1,8978 0,6973
95,0% 1,3253 134,15 1,7401 1,9473 0,7038
99,0% 1,352 144,2 1,8006 1,988 0,7151
112
Histogramas y trazas de densidad
Máximos
Tipo de Histograma Traza de densidad
cambio
Histogram Density Trace
600 3
500 2,5
frequency
400 2
density
EUR/USD 300 1,5
200 1
100 0,5
0 0
0,8 1 1,2 1,4 1,6 0,83 0,93 1,03 1,13 1,23 1,33 1,43
_HIGH_ _HIGH_
600 0,03
frequency
density
USD/JPY 400 0,02
0,01
200
0
0
100 110 120 130 140 150
99 109 119 129 139 149 159
_HIGH_ _HIGH_
400 1,6
frequency
density
300 1,2
USD/CHF 200 0,8
100 0,4
0 0
1,1 1,3 1,5 1,7 1,9 1,1 1,3 1,5 1,7 1,9
_HIGH_ _HIGH_
400 1,6
frequency
density
300 1,2
GBP/USD 200 0,8
100 0,4
0 0
1,3 1,5 1,7 1,9 2,1 1,3 1,5 1,7 1,9 2,1
_HIGH_ _HIGH_
113
Histogram Density Trace
500 12
10
400
frequency
8
density
300
EUR/GBP 200
6
4
100 2
0
0 0,57 0,61 0,65 0,69 0,73
0,57 0,6 0,63 0,66 0,69 0,72 0,75
_HIGH_
_HIGH_
Máximos
Tipo de Box-Whisker Probabilidad normal
cambio
Box-and-Whisker Plot Normal Probability Plot
99,9
99
percentage
95
80
EUR/USD 50
20
5
1
0,1
0,83 0,93 1,03 1,13 1,23 1,33 1,43 0,83 0,93 1,03 1,13 1,23 1,33 1,43
_HIGH_ _HIGH_
95
80
USD/JPY 50
20
5
1
0,1
100 110 120 130 140 150
100 110 120 130 140 150 _HIGH_
_HIGH_
95
80
USD/CHF 50
20
5
1
0,1
1,1 1,3 1,5 1,7 1,9
1,1 1,3 1,5 1,7 1,9
_HIGH_
_HIGH_
114
Box-and-Whisker Plot Normal Probability Plot
99,9
99
percentage
95
80
50
GBP/USD 20
5
1
0,1
1,3 1,5 1,7 1,9 2,1
percentage
95
80
50
EUR/GBP 20
5
1
0,1
0,57 0,61 0,65 0,69 0,73
_HIGH_
0,57 0,61 0,65 0,69 0,73
_HIGH_
Máximos
Tipo de Cuantiles Simetría
cambio
Quantile Plot Symmetry Plot
distance above median
1 0,4
0,8
proportion
0,3
0,6
0,2 0,1
0
0,83 0,93 1,03 1,13 1,23 1,33 1,43 0
0 0,1 0,2 0,3 0,4
_HIGH_
distance below median
1 30
0,8 25
proportion
20
0,6
USD/JPY 0,4
15
10
0,2
5
0
0
100 110 120 130 140 150
0 5 10 15 20 25 30
_HIGH_ distance below median
115
Quantile Plot Symmetry Plot
0,8 0,4
proportion
0,6 0,3
USD/CHF 0,4 0,2
0,2 0,1
0 0
1,1 1,3 1,5 1,7 1,9 0 0,1 0,2 0,3 0,4 0,5
_HIGH_ distance below median
0,8 0,3
proportion
0,6
GBP/USD 0,4
0,2
0,1
0,2
0
0
0 0,1 0,2 0,3 0,4
1,3 1,5 1,7 1,9 2,1
distance below median
_HIGH_
0,8 0,08
proportion
0,6 0,06
EUR/GBP 0,4 0,04
0,2 0,02
0 0
0,57 0,61 0,65 0,69 0,73 0 0,02 0,04 0,06 0,08 0,1
_HIGH_ distance below median
116
A.2 Análisis de mínimos diarios
Resumen estadístico
Mínimos
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
Media 1,13223 116,108 1,42451 1,65882 0,65508
Desviación 0,137408 8,7194 0,180071 0,161579 0,0328143
típica
Coeficiente 12,1361% 7,5097% 12,641% 9,74057% 5,00921%
de varia-
ción
Mínimo 0,8227 101,26 1,1286 1,3682 0,5679
Máximo 1,3615 146,03 1,8121 2,0011 0,7204
Rango 0,5388 44,77 0,6835 0,6329 0,1525
Coeficiente -13,0679 13,9958 6,58981 3,63222 -6,72863
de simetría
Percentiles
Mínimos
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
1,0% 0,847 102,12 1,1474 1,4004 0,5842
5,0% 0,8766 104,16 1,1936 1,4197 0,6014
10,0% 0,9009 105,46 1,2168 1,4366 0,6093
25,0% 1,0488 108,75 1,25925 1,5483 0,6247
50,0% 1,1566 116,5 1,38735 1,635 0,6645
75,0% 1,2442 120,43 1,5822 1,7989 0,6824
90,0% 1,2907 127,83 1,6841 1,8838 0,6927
95,0% 1,3153 132,71 1,7215 1,9315 0,699
117
Histogramas y trazas de densidad
Mínimos
Tipo de Histograma Traza de densidad
cambio
400 2
density
EUR/USD 300 1,5
200 1
100 0,5
0 0
0,79 0,99 1,19 1,39 1,59 0,82 0,92 1,02 1,12 1,22 1,32 1,42
_LOW_ _LOW_
400
density
USD/JPY 300 0,02
200
0,01
100
0 0
99 109 119 129 139 149 100 110 120 130 140 150
_LOW_ _LOW_
400
density
1,2
USD/CHF 300
0,8
200
100 0,4
0 0
1 1,2 1,4 1,6 1,8 2 1,1 1,3 1,5 1,7 1,9
_LOW_ _LOW_
400 1,6
frequency
density
300 1,2
GBP/USD 200 0,8
100 0,4
0 0
1,3 1,5 1,7 1,9 2,1 1,3 1,5 1,7 1,9 2,1
_LOW_ _LOW_
118
Histogram Density Trace
500 10
400 8
frequency
density
300 6
EUR/GBP 200 4
100 2
0 0
0,56 0,59 0,62 0,65 0,68 0,71 0,74
0,56 0,59 0,62 0,65 0,68 0,71 0,74
_LOW_ _LOW_
Mínimos
Tipo de Box-Whisker Probabilidad normal
cambio
percentage
80
EUR/USD 50
20
5
1
0,1
0,82 0,92 1,02 1,12 1,22 1,32 1,42 0,82 0,92 1,02 1,12 1,22 1,32 1,42
_LOW_ _LOW_
95
80
USD/JPY 50
20
5
1
0,1
100 110 120 130 140 150 100 110 120 130 140 150
_LOW_ _LOW_
95
80
USD/CHF 50
20
5
1
0,1
1,1 1,3 1,5 1,7 1,9 1,1 1,3 1,5 1,7 1,9
_LOW_ _LOW_
119
Box-and-Whisker Plot Normal Probability Plot
99,9
99
percentage
95
80
GBP/USD 50
20
5
1
0,1
1,3 1,5 1,7 1,9 2,1 1,3 1,5 1,7 1,9 2,1
_LOW_ _LOW_
percentage
95
80
EUR/GBP 50
20
5
1
0,1
0,56 0,59 0,62 0,65 0,68 0,71 0,74 0,56 0,59 0,62 0,65 0,68 0,71 0,74
_LOW_ _LOW_
Mínimos
Tipo de Cuantiles Simetría
cambio
Quantile Plot Symmetry Plot
distance above median
1 0,4
0,8 0,3
proportion
0,6
EUR/USD 0,4
0,2
0,1
0,2
0 0
0,83 0,93 1,03 1,13 1,23 1,33 1,43 0 0,1 0,2 0,3 0,4
1 30
0,8 25
proportion
20
0,6
USD/JPY 0,4
15
10
0,2
5
0 0
100 110 120 130 140 150 0 5 10 15 20 25 30
_LOW_ distance below median
120
Quantile Plot Symmetry Plot
0,8 0,4
proportion
0,6 0,3
USD/CHF 0,4
0,2
0,2
0,1
0
0
1,1 1,3 1,5 1,7 1,9
0 0,1 0,2 0,3 0,4 0,5
_LOW_
distance below median
0,8
0,3
proportion
0,6
GBP/USD 0,4
0,2
0,2 0,1
0 0
1,3 1,5 1,7 1,9 2,1 0 0,1 0,2 0,3 0,4
_LOW_ distance below median
0,8 0,08
proportion
0,6 0,06
EUR/GBP 0,4 0,04
0,2 0,02
0 0
0,56 0,59 0,62 0,65 0,68 0,71 0,74 0 0,02 0,04 0,06 0,08 0,1
_LOW_ distance below median
121
A.3 Análisis de cierres diarios
Resumen estadístico
Cierres
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
Media 1,13704 116,722 1,43165 1,66558 0,657578
Desviación 0,137305 8,80939 0,181306 0,162314 0,0325322
típica
Coeficiente 12,0757% 7,54732% 12,6642% 9,74517% 4,94727%
de varia-
ción
Mínimo 0,8282 101,59 1,1303 1,3731 0,5733
Máximo 1,3646 147,16 1,8191 2,0088 0,7221
Rango 0,5364 45,57 0,6888 0,6357 0,1488
Coeficiente -13,0753 14,3553 6,59492 3,60583 -6,43504
de simetría
Percentiles
Cierres
EUR/USD USD/JPY USD/CHF GBP/USD EUR/GBP
1,0% 0,8529 102,6 1,1524 1,4075 0,5886
5,0% 0,8808 104,79 1,1989 1,4252 0,6042
10,0% 0,9064 105,93 1,2221 1,4428 0,612
25,0% 1,0537 109,25 1,26665 1,5538 0,6276
50,0% 1,1614 117,17 1,39475 1,6403 0,6669
75,0% 1,2482 121,09 1,58825 1,807 0,6844
90,0% 1,2951 128,72 1,6941 1,8925 0,695
95,0% 1,3205 133,45 1,7307 1,9415 0,7014
122
Histogramas y trazas de densidad
Cierres
Tipo de Histograma Traza de densidad
cambio
Histogram Density Trace
600 3
500 2,5
frequency
400 2
density
EUR/USD 300
200
1,5
1
100 0,5
0 0
0,8 1 1,2 1,4 1,6 0,82 0,92 1,02 1,12 1,22 1,32 1,42
_CLOSE_ _CLOSE_
600 0,03
frequency
density
USD/JPY 400 0,02
200 0,01
0 0
99 109 119 129 139 149 159 100 110 120 130 140 150
_CLOSE_ _CLOSE_
400
density
1,2
USD/CHF 300
200
0,8
100 0,4
0 0
1 1,2 1,4 1,6 1,8 2 1,1 1,3 1,5 1,7 1,9
_CLOSE_ _CLOSE_
400 1,6
frequency
density
300 1,2
GBP/USD 200 0,8
100 0,4
0 0
1,3 1,5 1,7 1,9 2,1 1,3 1,5 1,7 1,9 2,1
_CLOSE_ _CLOSE_
123
Histogram Density Trace
500 12
400 10
frequency
8
density
300
EUR/GBP 200
6
4
100
2
0 0
0,56 0,59 0,62 0,65 0,68 0,71 0,74 0,57 0,61 0,65 0,69 0,73
_CLOSE_ _CLOSE_
Cierres
Tipo de Box-Whisker Probabilidad normal
cambio
percentage
95
80
50
20
EUR/USD 5
1
0,1
0,82 0,92 1,02 1,12 1,22 1,32 1,42
_CLOSE_
0,82 0,92 1,02 1,12 1,22 1,32 1,42
_CLOSE_
95
80
USD/JPY 50
20
5
1
0,1
100 110 120 130 140 150 100 110 120 130 140 150
_CLOSE_ _CLOSE_
95
80
USD/CHF 50
20
5
1
0,1
1,1 1,3 1,5 1,7 1,9 1,1 1,3 1,5 1,7 1,9
_CLOSE_ _CLOSE_
124
Box-and-Whisker Plot Normal Probability Plot
99,9
99
percentage
95
80
50
GBP/USD 20
5
1
0,1
1,3 1,5 1,7 1,9 2,1
percentage
95
80
50
EUR/GBP 20
5
1
0,1
0,57 0,61 0,65 0,69 0,73
0,57 0,61 0,65 0,69 0,73 _CLOSE_
_CLOSE_
Cierres
Tipo de Cuantiles Simetría
cambio
Quantile Plot Symmetry Plot
distance above median
1 0,4
0,8
0,3
proportion
0,6
EUR/USD 0,4
0,2
0,1
0,2
0 0
0,82 0,92 1,02 1,12 1,22 1,32 1,42 0 0,1 0,2 0,3 0,4
_CLOSE_ distance below median
1 30
0,8 25
proportion
20
0,6
USD/JPY 0,4
15
10
0,2 5
0 0
100 110 120 130 140 150 0 5 10 15 20 25 30
125
Quantile Plot Symmetry Plot
0,8 0,4
proportion
0,6 0,3
USD/CHF 0,4 0,2
0,2 0,1
0 0
1,1 1,3 1,5 1,7 1,9 0 0,1 0,2 0,3 0,4 0,5
_CLOSE_ distance below median
0,8
0,3
proportion
0,6
GBP/USD 0,4
0,2
0,2 0,1
0 0
1,3 1,5 1,7 1,9 2,1 0 0,1 0,2 0,3 0,4
_CLOSE_ distance below median
0,8 0,08
proportion
0,6 0,06
EUR/GBP 0,4 0,04
0,2 0,02
0
0
0,57 0,61 0,65 0,69 0,73
0 0,02 0,04 0,06 0,08 0,1
_CLOSE_ distance below median
126
Apéndice B
Muestra de valores observados y predichos
según el modelo de predicción de centro y radio
U-Theil 0,855097713
127