A deep learning approach to forecasting EUA future contracts

Villamizar Díaz, Jorge Hernando

Publicación:
A deep learning approach to forecasting EUA future contracts

authorProfile.id.code	201424605
dc.contributor.advisor	Ottonello, Giorgio
dc.contributor.advisor	Prado, Melissa
dc.contributor.advisor	Ter Horst, Enrique Alejandro
dc.contributor.author	Villamizar Díaz, Jorge Hernando
dc.contributor.jury	Arcila Barrero, Carlos Alfredo
dc.date.accessioned	2021-08-10T18:25:46Z
dc.date.available	2021-08-10T18:25:46Z
dc.date.issued	2020
dc.description.abstract	This directed research project explores the use of deep learning techniques to forecast the price of European Union Allowance (EUA) future contracts. In order to achieve this, a comprehensive review of the literature surrounding emission markets, trading schemes and long short-term memory neural networks is made. Possible explanatory variables for the EUA futures price are selected, curated, and the methodology used to get a forecast is described. Additionally, under the Anatolyev-Gerko (EP) test statistic and the Pesaran-Timmermann (DA) test, there is evidence that a long-short trading strategy using the forecasted values beats the random walk, in other words, the strategy generates value by skill other than luck.	eng
dc.description.abstract	Este proyecto de investigación dirigida explora el uso de técnicas de aprendizaje profundo para predecir el precio de los futuros contratos sobre derechos de emisión de la Unión Europea (EUA). Para ello, se realiza una revisión exhaustiva de la literatura en torno a los mercados de emisiones, los regímenes de comercio y las redes neuronales de memoria a corto plazo. Se seleccionan posibles variables explicativas del precio de los futuros EUA, se curan y se describe la metodología utilizada para obtener una predicción. Además, con el estadístico de prueba de Anatolyev-Gerko (EP) y la prueba de Pesaran-Timmermann (DA), se comprueba que una estrategia de negociación a corto y largo plazo que utiliza los valores pronosticados supera al random walk, es decir, que la estrategia genera valor por habilidad y no por suerte.	spa
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster Internacional en Finanzas
dc.format.extent	26 hojas
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad de los Andes	spa
dc.identifier.pdf	23806.pdf
dc.identifier.reponame	reponame:Repositorio Institucional Séneca	spa
dc.identifier.repourl	repourl:https://repositorio.uniandes.edu.co/	spa
dc.identifier.uri	https://hdl.handle.net/1992/51454
dc.language.iso	eng
dc.publisher	Universidad de los Andes
dc.publisher.faculty	Facultad de Administración
dc.publisher.program	Maestría Internacional en Finanzas
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject.armarc	Comercio de derechos de emisión
dc.subject.armarc	Mercado de futuros
dc.subject.armarc	Aprendizaje automático (Inteligencia artificial)
dc.subject.themes	Administración
dc.title	A deep learning approach to forecasting EUA future contracts	spa
dc.type	Trabajo de grado - Maestría	spa
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc	spa
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/masterThesis	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TM	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication
relation.isDirectorOfPublication	b4dbb5e2-384d-41ba-a1b0-728efa1713d0
relation.isDirectorOfPublication.latestForDiscovery	b4dbb5e2-384d-41ba-a1b0-728efa1713d0