Aportaciones al problema de la predicción de los tipos de cambio con metodologías no linealesevidencia empírica para el sistema monetario europeo

Resumen

Tras el influyente trabajo de Messe y Rogoff(1983) sobre la pobre capacidad predictiva de los modelos de determinación del tipo de cambio en comparación con un modelo ingenuo de paseo aleatorio, se viene registrado un enorme esfuerzo tanto en profundizar y desentrañar las causas de la extrema dificultad que representa la predicción de los tipos de cambio, como en diseñar procedimientos alternativos que supongan alguna mejora predictiva, De tal esfuerzo que ha dado lugar a un incremento espectacular en las herramientas y métodos disponibles para la predicción de tipos de cambio, cabe destacar las tecnicas de predicción que surgieron, originalmente, para predecir series caóticas. A lo largo de los tres capitulos finales de esta Tesis Doctoral, hemos intentado evaluar la potencial utilidad del uso de dichas tecnicas a la hora de realizar predicciones de los tipos de cambio diarios, utilizando una muestra consistente en datos de nueve monedas participantes en el Mecanismo de Cambios e Intervención del Sistema Monetaria Europeo (SME). Para ello, tras presentar los resultados de algunos contrastes habituales en la literatura para caracterizar el proceso generador de datos, hemos comenzado por analizar la presencia del caos determinista en las series examinadas, al tiempo que se propone un contraste estadístico cuya hipotesis nula es la existencia de caos determinista en una serie temporal. Dicho contraste se basa en la estabilidad del máximo exponente de Lyapunov al aumentar el tamaño muestral y tiene alto poder frente a todo tipo de procesos estocásticos, tanto lineales como no lineales. A continuación, hemos estudiado la capacidad predictiva de los predictores por ocurrencias analogas simples y simultaneas desde el punto de vista estadistica y desde el punto de vista de la rentabilidad que se generaria de su utilización como regla tecnica de compraventa. Nuestros predictores se comportan, en la mayoria de los casos, mejor