¿Modelos econométricos frente a modelos RNA para la previsión?

Question

Espero que esta sea una pregunta apropiada para este foro... para mí es una consulta obvia ya que me intriga desde hace mucho tiempo.

Ok, supongamos que hay 2 clases distintas de modelos: econométricos (AR, MA, ARIMA, ARCH, GARCH, EGARCH, TGARCH, ...) y redes neuronales (MLP, RBF, BPTT, TDNN, Elman, NARX, ..., estoy poniendo incluso SVM y SVR en este grupo).

Sé que es un tema amplio - depende del mercado, de los activos, para empezar... pero ¿en qué condiciones uno es mejor que el otro? ¿Existe un consenso general al respecto? En términos de MSE, R 2 ¿la precisión, etc.? ¿Se puede comparar? ¿Tiene sentido?

He visto muchos estudios que hacen este tipo de comparación, aquí hay un ejemplo (perdón por que esto sea tendencioso hacia un lado). Pero nada de resumir las conclusiones anteriores sobre este tema.

Por último, ¿cuál es su experiencia con ambos? ¿Tienes otros artículos que realicen este tipo de pruebas (aunque no estén publicados)?

Gracias de antemano, DBS.

Answer 1

No son mutuamente excluyentes. Por ejemplo, la clase a la que usted se refiere como "econométrica" son simplemente modelos de regresión lineal que incluyen como factores los rendimientos anteriores o los residuos de la serie de rendimientos, a veces con ponderaciones en las observaciones.

Se podría diseñar fácilmente una red neuronal sin capas ocultas y con las mismas entradas. Así que cada uno de los modelos econométricos son casos especiales de modelos de redes neuronales. Las redes neuronales ofrecen una clase más amplia de opciones de modelización, aunque por la misma razón son más difíciles de entrenar y evitar el sobreajuste.

En el documento, los autores no comparan las redes neuronales como clase a los modelos econométricos. Están comparando una configuración de red neuronal muy específica con los modelos tradicionales de series temporales.