Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru

• Autor: Puente De La Vega Caceres, Abraham
• Formato: artículo
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: Revistas - Universidad Nacional Mayor de San Marcos
• Lenguaje: español
• OAI Identifier: oai:revistasinvestigacion.unmsm.edu.pe:article/27866
• Enlace del recurso: https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866
• Nivel de acceso: acceso abierto
• Materia: econometría; gestión de riesgos; mercado financiero; aprendizaje; empresa; econometrics; risk management; financial market; learning; business; econometria; gestão do risco; mercado financeiro; aprendizagem

Objetivo: Avaliar a eficácia dos modelos de aprendizagem profunda e das suas extensões com modelos de volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru. Métodos: O estudo adotou um desenho analítico não experimental, transversal, para prever a volatilidade do Índice Geral S&P/BVL Peru, analisando 5807 dados de 3 de janeiro de 2000 a 16 de outubro de 2023. Os dados históricos do Índice foram processados utilizando técnicas computacionais em Python. Foram efectuados testes estatísticos tais como o teste Dickey-Fuller aumentado e o teste Jarque-Bera. Para alcançar a estacionariedade dos dados, foi necessário aplicar diferenciação após testes de raiz unitária. A precisão dos modelos foi comparada através dos testes Diebold-Mariano e Wilcoxon Signed Rank. Resultados: Os modelos GJR-GARCH, SVR com kernel linear e redes neurais demonstraram desempenho superior em termos de menor MSE, com destaque para o SVR com MAE de 0,00049. Conclusão: Os modelos GJR-GARCH e SVR com kernel linear são altamente eficazes na previsão da volatilidade de Índices, pelo que se recomenda a sua implementação em estratégias de gestão do risco.