Bogotá - Ciencias - Maestría en Ciencias - Estadística · 2026

Pronóstico probabilístico basado en predicción conformal para series temporales : comparación con Bootstrapping y DeepAR

Este trabajo de grado extiende la Predicción Conformal (CP) desde el contexto i.i.d. hacia el pronóstico probabilístico de series de tiempo con dependencia temporal, adaptando los Sistemas de Predicción Conformal (CPS) para generar distribuciones predictivas completas bajo condiciones de no-intercambiabilidad. Se proponen tres métodos originales: LSPMW, que incorpora pesos geométricos temporales sobre residuos conformales studentizados; AV-MCPS, que introduce un particionamiento Mondrian bidimensional por nivel de predicción y volatilidad local para capturar heterocedasticidad condicional; y AREPD, un método híbrido con expansión polinomial autorregresiva y ponderación exponencial temporal. Los métodos se evalúan bajo 420~configuraciones de simulación controlada (procesos ARMA, ARIMA y SETAR) y en tres series reales, usando el ECRPS y el test de Diebold-Mariano como criterios de comparación frente al Sieve Bootstrapping y DeepAR. Los resultados confirman la ausencia de un método universalmente superior: el Sieve Bootstrap mostró la mayor robustez global, mientras que el AV-MCPS superó a los enfoques conformales estándar en series con volatilidad cambiante. La diferenciación previa resultó condición necesaria para los métodos conformales lineales en procesos integrados. (Texto tomado de la fuente)