Hispanopedia Wiki
Articulo de referencia

Eric Ghysels

Eric Ghysels (nacido en 1956 en Bruselas ) es un economista belga interesado en las finanzas y la econometría de series temporales , y en particular en los campos de la economet...

Hispanopedia WikiContenido en espanolLectura gratuita

Eric Ghysels (nacido en 1956 en Bruselas ) es un economista belga interesado en las finanzas y la econometría de series temporales , y en particular en los campos de la econometría financiera y la tecnología financiera . [1] Es profesor distinguido Edward M. Bernstein de Economía en la Universidad de Carolina del Norte [2] y profesor de Finanzas en la Escuela de Negocios Kenan-Flagler . [3] También es director de investigación de la facultad de Rethinc.Labs en el Instituto Frank Hawkins Kenan de Empresa Privada. [4]

Vida temprana y educación

Ghysels nació en Bruselas , Bélgica, hijo de Pierre Ghysels (funcionario público) y Anna Janssens (ama de casa). Completó sus estudios de pregrado en economía (Supra Cum Laude) en la Vrije Universiteit Brussel en 1979. Obtuvo una beca Fulbright de la Belgian American Educational Foundation en 1980 y comenzó estudios de posgrado en la Northwestern University ese año, terminando su doctorado en la Kellogg Graduate School of Management de la Northwestern University en 1984. En 2019 recibió un doctorado honoris causa (Doctor Honoris Causa) por la HEC University of Liège . [5]

Carrera

Después de graduarse de la Kellogg School of Management de la Northwestern University, ocupó un puesto de profesor en la Université de Montréal en el Departamento de Economía. [6] En 1996 se convirtió en profesor de Economía en la Penn State University [7] y se unió a la Universidad de Carolina del Norte en Chapel Hill en 2000. Actualmente es profesor distinguido Edward M. Bernstein de Economía en la UNC Chapel Hill y profesor de Finanzas y la Kenan-Flagler Business School . Desde 2018 es el Director de Investigación de la Facultad, Rethinc.Labs, en el Kenan Institute for Private Enterprise en la UNC Chapel Hill. Desde 2020 también está afiliado al Departamento de Ingeniería Eléctrica e Informática de la North Carolina State University . [8]

Ghysels es miembro de la Asociación Estadounidense de Estadística y cofundó con Robert Engle la Sociedad de Econometría Financiera (SoFiE). [9] [10] Fue editor del Journal of Business and Economic Statistics (con Alastair R. Hall, 2001-2004) y editor del Journal of Financial Econometrics (2012-2015). [11] Actualmente es coeditor del Journal of Applied Econometrics. [12]

Entre 2008 y 2009, Ghysels fue investigador residente en el Banco de la Reserva Federal de Nueva York y, en 2011, becario Duisenberg en el Banco Central Europeo , ambos en el auge de la Gran Recesión, y desde entonces ha sido un visitante habitual de varios otros bancos centrales de todo el mundo.

También ha sido profesor visitante en la Universidad Bocconi ( Tommaso Padoa-Schioppa Visiting Professor, 2017), el Centro Stevanovich de la Universidad de Chicago (2015), la Universidad de Cambridge (INET Visiting Professor, 2014), la Stern School of Business de la Universidad de Nueva York (2007), entre otras, y tiene un nombramiento de cortesía en Louvain Finance, Université catholique de Louvain . [13]

Libros

En 2001, publicó una monografía sobre El análisis econométrico de series temporales estacionales junto con Denise R. Osborn. [14] En 2018, publicó un libro de texto titulado Pronóstico económico aplicado utilizando métodos de series temporales junto con Massimiliano Marcellino. [15]

Honores y premios

Entre sus honores y premios se incluyen:

  • 1980: Becario Fulbright, Fundación Educativa Belga Americana
  • 1981: Investigador asociado, Fundación Nacional de Ciencias de Bélgica
  • 1985: ASA/NSF/Census Fellow, Asociación Estadounidense de Estadística [16]
  • 1999: Presidente de la Sección de Estadísticas Económicas y Empresariales de la Asociación Estadounidense de Estadística
  • 2001: Quién es quién en economía, cuarta edición [17]
  • 2008: Académico residente, Banco de la Reserva Federal de Nueva York [18]
  • 2011: Fernand Braudel, Investigador principal, Instituto Universitario Europeo, Florencia, Italia [19]
  • 2011: Becario Wim Duisenberg, Banco Central Europeo [20]
  • 2012: Becario SoFiE [21]
  • 2017: Conferencia inaugural de Emil Gumbel , Universidad de Heidelberg [22]
  • 2020: Serie de conferencias CORE, Universidad de California en Lovaina [23]
  • 2020: Miembro de la Asociación Internacional de Econometría Aplicada [24]

Investigación

La investigación más reciente de Ghysels se centra en los modelos de regresión de muestreo de datos mixtos (MIDAS) y los métodos de filtrado con aplicaciones en finanzas y otros campos. También ha trabajado en diversos temas como la estacionalidad en series temporales económicas, el aprendizaje automático y las aplicaciones de la inteligencia artificial en finanzas, las aplicaciones de la computación cuántica en finanzas, entre muchos otros temas.

Los muestreos de datos mixtos o regresiones MIDAS son modelos de regresión econométrica que pueden considerarse en algunos casos como sustitutos del filtro de Kalman cuando se aplican en el contexto de datos de frecuencia mixta. Actualmente existe una importante bibliografía sobre las regresiones MIDAS y sus aplicaciones, entre las que se incluyen Ghysels, Santa-Clara y Valkanov (2006), [25] Ghysels, Sinko y Valkanov, [26] Andreou, Ghysels y Kourtellos (2010) [27] y Andreou, Ghysels y Kourtellos (2013). [28]

Una regresión MIDAS es una herramienta de pronóstico directo que puede relacionar datos futuros de baja frecuencia con indicadores actuales y rezagados de alta frecuencia, y producir diferentes modelos de pronóstico para cada horizonte de pronóstico. Puede manejar de manera flexible datos muestreados en diferentes frecuencias y proporcionar un pronóstico directo de la variable de baja frecuencia. Incorpora cada dato individual de alta frecuencia en la regresión, lo que resuelve los problemas de pérdida de información potencialmente útil e inclusión de especificaciones incorrectas.

Un ejemplo de regresión simple tiene la variable independiente apareciendo con una frecuencia mayor que la variable dependiente :

y a = β 0 + β 1 B ( yo 1 / metro ; θ ) incógnita a ( metro ) + mi a ( metro ) , {\displaystyle y_{t}=\beta _{0}+\beta _{1}B(L^{1/m};\theta )x_{t}^{(m)}+\varepsilon _{t}^{(m)},}

donde y es la variable dependiente, x es el regresor, m denota la frecuencia – por ejemplo, si y es anual es trimestral – es la perturbación y es una distribución de rezago, por ejemplo, la función Beta o el Rezago de Almon . incógnita a ( 4 ) {\displaystyle x_{t}^{(4)}} mi {\estilo de visualización \varepsilon} B ( yo 1 / metro ; θ ) {\displaystyle B(L^{1/m};\theta )}

Los modelos de regresión pueden considerarse en algunos casos como sustitutos del filtro de Kalman cuando se aplican en el contexto de datos de frecuencia mixta. Bai, Ghysels y Wright (2013) [29] examinan la relación entre las regresiones MIDAS y los modelos de espacio de estados del filtro de Kalman aplicados a datos de frecuencia mixta. En general, estos últimos implican un sistema de ecuaciones, mientras que, por el contrario, las regresiones MIDAS implican una única ecuación (forma reducida). Como consecuencia, las regresiones MIDAS pueden ser menos eficientes, pero también menos propensas a errores de especificación. En los casos en que la regresión MIDAS es solo una aproximación, los errores de aproximación tienden a ser pequeños.

El MIDAS también se puede utilizar para series temporales de aprendizaje automático y pronósticos de datos de panel . [30] [31] Las regresiones MIDAS de aprendizaje automático involucran polinomios de Legendre . Las regresiones de series temporales de frecuencia mixta de alta dimensión involucran ciertas estructuras de datos que, una vez tomadas en cuenta, deberían mejorar el rendimiento de los estimadores sin restricciones en muestras pequeñas. Estas estructuras están representadas por grupos que cubren variables dependientes rezagadas y grupos de rezagos para una sola covariable (de alta frecuencia). Para ese fin, el enfoque MIDAS de aprendizaje automático explota la regularización LASSO de grupo disperso (sg-LASSO) que acomoda convenientemente tales estructuras. [32] La característica atractiva del estimador sg-LASSO es que nos permite combinar de manera efectiva las señales aproximadamente dispersas y densas.

Existen varios paquetes de software que incluyen regresiones MIDAS y métodos econométricos relacionados, entre ellos:

  • Caja de herramientas Matlab de MIDAS [33]
  • midasr, paquete R [34]
  • midasml, paquete R para datos de series temporales de frecuencia mixta de alta dimensión [35]
  • EViews [36]
  • Pitón [37]
  • Julia [38]

Referencias

  1. ^ Publicaciones de Eric Ghysels indexadas por Google Scholar
  2. ^ "Eric Ghysels". eghysels.web.unc.edu .
  3. ^ Economía, Eric Ghysels Profesor distinguido Edward Bernstein de; Centro 403A, Profesor de Finanzas Contacto Kenan; Hill, CB 3440 Chapel. "Eric Ghysels | UNC Kenan-Flagler Business School". kenan-flagler.unc.edu .{{cite web}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  4. ^ "Repensar".
  5. ^ "Docteurs honoris causa facultaires 2019".
  6. ^ "Inicio". Departamento de Ciencias Económicas – Universidad de Montreal .
  7. ^ "Bienvenido al Departamento de Economía — Departamento de Economía". econ.la.psu.edu .
  8. ^ "Apoyo a la facultad • Ingeniería eléctrica y de computación". 27 de julio de 2017.
  9. ^ "Entrevista de ET: Eric Ghysels" (PDF) .
  10. ^ "Expresidentes, Consejo Fundador y Miembros Fundadores | La Sociedad de Econometría Financiera".
  11. ^ "Revista de econometría financiera | Oxford Academic". OUP Academic .
  12. ^ "Revista de econometría aplicada". Biblioteca en línea Wiley .
  13. ^ "Eric Ghysels". Universidad de Lovaina .
  14. ^ Eric Ghysels y Denise Osborn (2012). El análisis econométrico de series temporales estacionales. Cambridge University Press. ISBN 978-0-521-56260-7.
  15. ^ Eric Ghysels y Massimiliano Marcellino (2018). Pronóstico económico aplicado mediante métodos de series temporales. Oxford University Press. ISBN 978-0-19-062203-9.
  16. ^ "Lista de miembros de la ASA". amstat.org .
  17. ^ Quién es quién en economía, cuarta edición. ISBN 978-1-84064-992-5.
  18. ^ "Programa para académicos residentes – BANCO DE LA RESERVA FEDERAL DE NUEVA YORK". newyorkfed.org .
  19. ^ "Becarios Fernand Braudel". Instituto Universitario Europeo.
  20. ^ Banco Central Europeo (9 de marzo de 2020). "Beca Wim Duisenberg". Banco Central Europeo .
  21. ^ "Fellows | La Sociedad de Econometría Financiera".
  22. ^ "El profesor Eric Ghysels presenta la conferencia inaugural Gumbel | Departamento de Economía". econ.unc.edu .
  23. ^ "Serie de conferencias CORE, a cargo del profesor E. Ghysels". UCLouvain .
  24. ^ "Fellows | Asociación Internacional de Econometría Aplicada". appliedeconometrics.org .
  25. ^ Ghysels, Eric, Pedro Santa-Clara y Rossen Valkanov (2006) Predicción de la volatilidad: cómo aprovechar al máximo los datos de retornos muestreados en diferentes frecuencias , Journal of Econometrics, 131, 59–95
  26. ^ Ghysels, Eric y Arthur Sinko y Rossen Valkanov (2006) Regresiones MIDAS: nuevos resultados y nuevas direcciones , Econometric Reviews, 26, 53–90.
  27. ^ Andreou, Elena y Eric Ghysels y Andros Kourtellos "Modelos de regresión con frecuencias de muestreo mixtas", Journal of Econometrics, 158, 246–261.
  28. ^ Andreou, Elena y Eric Ghysels y Andros Kourtellos "¿Deberían los pronosticadores macroeconómicos utilizar datos financieros diarios y cómo?", Journal of Business and Economic Statistics 31, 240–251.
  29. ^ Bai, Jennie y Eric Ghysels y Jonathan Wright (2013) Modelos de espacio de estados y regresiones MIDAS , Econometric Reviews, 32, 779–813.
  30. ^ Babii, Andrii & Eric Ghysels & Jonas Striaukas "Regresiones de series temporales de aprendizaje automático con una aplicación a la predicción inmediata", arXiv:2005.14057.
  31. ^ Babii, Andrii y Ryan T. Ball y Eric Ghysels y Jonas Striaukas "Regresiones de series de tiempo de aprendizaje automático con una aplicación al nowcasting", arXiv:2005.14057.
  32. ^ Simon, N., J. Friedman, T. Hastie y R. Tibshirani (2013): Un LASSO de grupo disperso , Journal of Computational and Graphical Statistics, 22(2), 231–245.
  33. ^ "Caja de herramientas MIDAS Matlab". mathworks.com .
  34. ^ Kvedaras, Virmantas; Zemlys-Balevicius, Vaidotas (23 de febrero de 2021). "midasr: regresión de muestreo de datos mixtos" - a través de R-Packages.
  35. ^ "midasml: métodos de estimación y predicción para datos de series temporales de frecuencia mixta de alta dimensión". 29 de abril de 2022.
  36. ^ "MIDAS". eviews.com .
  37. ^ "sapphire921/midas_pro". 3 de abril de 2021 – vía GitHub.
  38. ^ "mikemull/Midas.jl". 31 de mayo de 2019 – vía GitHub.
  • Eric Ghysels
  • Sociedad de Econometría Financiera (SoFiE)
  • Revista de econometría financiera
Recuperado de "https://es.wikipedia.org/w/index.php?title=Eric_Ghysels&oldid=1218543159"