Modelado de la Volatilidad del Índice Minero S&P BVL Utilizando Máquinas de Vectores de Soporte y un Modelo GARCH Lineal
DOI:
https://doi.org/10.36881/ri.v8i1.882Palabras clave:
Volatilidad, Pronóstico, GARCHResumen
Este trabajo aborda el desafío crítico de predecir la volatilidad en el mercado financiero, enfocado específicamente en el Índice Minero S&P BVL del sector minero peruano. La dificultad radica en la naturaleza compleja y dinámica de la volatilidad, que presenta desafíos significativos para los inversores y gestores de riesgos en la toma de decisiones informadas y estratégicas. Se propone evaluar la efectividad de un modelo híbrido de Regresión de Vectores de Soporte con Generalized Autoregressive Conditional Heteroskedasticity (SVR-GARCH) que incorpora un kernel lineal, frente a los enfoques convencionales GARCH. Metodológicamente, el estudio utiliza un diseño cuantitativo, recabando y procesando datos históricos diarios a través de la API de Yahoo! Finance con herramientas de programación en Python, abarcando un período desde el 31 de enero de 2014 hasta el 12 de febrero de 2024. Se implementa la prueba de raíz unitaria Dickey-Fuller Aumentada (ADF) para determinar la estacionariedad de la serie temporal. Los hallazgos indican que el modelo SVR-GARCH-Linear propuesto no solo proporciona predicciones más precisas en comparación con los modelos estándar, sino que también demuestra ser robusto frente a las fluctuaciones del mercado y sensibilidades específicas del índice minero. Concluimos que el enfoque híbrido representa una mejora significativa en las herramientas de predicción y gestión de riesgos, con aplicaciones prácticas que podrían extenderse a otros índices y mercados financieros, demostrando la necesidad de incorporar técnicas de aprendizaje automático en la modelización financiera contemporánea.
Descargas
Citas
Baillie, R. T., Bollerslev, T., & Mikkelsen, H. O. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 74(1), 3–30. https://doi.org/10.1016/S0304-4076(95)01749-6
Bezerra, P. C. S., & Albuquerque, P. H. M. (2019). Volatility forecasting: The support vector regression can beat the random walk. Economic Computation and Economic Cybernetics Studies and Research, 53(4), 115–126. https://doi.org/10.24818/18423264/53.4.19.07
Chen, S., Härdle, W. K., & Jeong, K. (2010). Forecasting volatility with support vector machine-based GARCH model. Journal of Forecasting, 29(4), 406–433. https://doi.org/10.1002/for.1134
Chung, V., & Espinoza, J. (2023). Latin american market asset volatility analysis: a comparison of garch model, artificial neural networks and support vector regression. Applied Computer Science, 19(3). https://doi.org/10.35784/acs-2023-21
Dudek, G., Fiszeder, P., Kobus, P., & Orzeszko, W. (2024). Forecasting cryptocurrencies volatility using statistical and machine learning methods: A comparative study. Applied Soft Computing, 151. https://doi.org/10.1016/j.asoc.2023.111132
Dyhrberg, A. H. (2016). Bitcoin, gold and the dollar - A GARCH volatility analysis. Finance Research Letters, 16, 85–92. https://doi.org/10.1016/j.frl.2015.10.008
Fałdziński, M., Fiszeder, P., & Orzeszko, W. (2021). Forecasting volatility of energy commodities: Comparison of garch models with support vector regression. Energies, 14(1). https://doi.org/10.3390/en14010006
Karasan, A., & Gaygısız, E. (2020). Volatility Prediction and Risk Management: An SVR-GARCH Approach. Journal of Financial Data Science, 2(4), 85–104. https://doi.org/10.3905/jfds.2020.1.046
Kuizinienė, D., Varoneckienė, A., & Krilavičius, T. (2019). Cryptocurrencies short-term forecast: Application of ARIMA, GARCH and SVR models. CEUR Workshop Proceedings, 2470, 70–73.
Li, N., Liang, X., Li, X., Wang, C., & Wu, D. D. (2009). Network environment and financial risk using machine learning and sentiment analysis. Human and Ecological Risk Assessment, 15(2), 227–252. https://doi.org/10.1080/10807030902761056
Lux, M., Härdle, W. K., & Lessmann, S. (2020). Data driven value-at-risk forecasting using a SVR-GARCH-KDE hybrid. Computational Statistics, 35(3), 947–981. https://doi.org/10.1007/s00180-019-00934-7
Santamaría-Bonfil, G., Frausto-Solís, J., & Vázquez-Rodarte, I. (2015). Volatility Forecasting Using Support Vector Regression and a Hybrid Genetic Algorithm. Computational Economics, 45(1), 111–133. https://doi.org/10.1007/s10614-013-9411-x
Sediono, Andreas, C., Mardianto, M. F. F., Ana, E., & Suliyanto. (2023). Forecasting the Volume of Electronic Money Transactions Using ARIMAX-GARCH Model and Support Vector Regression. AIP Conference Proceedings, 2975(1). https://doi.org/10.1063/5.0187234
Sun, H., & Yu, B. (2020). Forecasting Financial Returns Volatility: A GARCH-SVR Model. Computational Economics, 55(2), 451–471. https://doi.org/10.1007/s10614-019-09896-w
Tung, H. K. K., & Wong, M. C. S. (2009). Financial risk forecasting with nonlinear dynamics and support vector regression. Journal of the Operational Research Society, 60(5), 685–695. https://doi.org/10.1057/palgrave.jors.2602594
Vijaya, C. K. R. M., & Rajan, P. (2022). A Hybrid Machine Learning Approach for Price Forecasting in Electricity Market with Smart Bidding Strategies and Wind Energy Influence. International Review on Modelling and Simulations, 15(6), 414–424. https://doi.org/10.15866/iremos.v15i6.22653
Xu, J., Liu, J., & Zhao, H. (2011). Financial forecasting: Comparative performance of volatility models in chinese stock markets. Proceedings - 4th International Joint Conference on Computational Sciences and Optimization, CSO 2011, 1220–1225. https://doi.org/10.1109/CSO.2011.136
Yan, G. L., & Gang, L. Y. (2012). Prediction on fund volatility based on SVRGM-GARCH model. In Advanced Materials Research (Vols. 403–408). https://doi.org/10.4028/www.scientific.net/AMR.403-408.3763
Yang, J.-H., & Li, L. (2011). Option price forecasting model based on SVR. Xitong Gongcheng Lilun Yu Shijian/System Engineering Theory and Practice, 31(5), 848–854.
Yi, X., Wen, X., & Yin, X. (2023). Time series prediction and application based on multi-kernel support vector regression. Proceedings of SPIE - The International Society for Optical Engineering, 12721. https://doi.org/10.1117/12.2683400
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución — Usted debe dar crédito de manera adecuada , brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
