Pronóstico de Distribuciones de Probabilidad de Retornos Financieros con Redes Neuronales Profundas

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

August 26, 2025

Autores: Jakub Michańków

cs.AI

Resumen

Este estudio evalúa redes neuronales profundas para pronosticar distribuciones de probabilidad de rendimientos financieros. Se utilizan redes neuronales convolucionales 1D (CNN) y arquitecturas de memoria de corto y largo plazo (LSTM) para predecir los parámetros de tres distribuciones de probabilidad: normal, t de Student y t de Student asimétrica. Empleando funciones de pérdida personalizadas de log-verosimilitud negativa, los parámetros de las distribuciones se optimizan directamente. Los modelos se prueban en seis índices bursátiles principales (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225 y KOSPI) utilizando métricas de evaluación probabilística, como el Log Predictive Score (LPS), el Continuous Ranked Probability Score (CRPS) y la Transformada Integral de Probabilidad (PIT). Los resultados muestran que los modelos de aprendizaje profundo proporcionan pronósticos distribucionales precisos y compiten favorablemente con los modelos GARCH clásicos para la estimación del Valor en Riesgo (VaR). El modelo LSTM con distribución t de Student asimétrica obtiene el mejor desempeño en múltiples criterios de evaluación, capturando tanto las colas pesadas como la asimetría en los rendimientos financieros. Este trabajo demuestra que las redes neuronales profundas son alternativas viables a los modelos econométricos tradicionales para la evaluación de riesgos financieros y la gestión de carteras.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.