Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru
Descripción del Articulo
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...
| Autor: | |
|---|---|
| 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 |
| id |
REVUNMSM_99859538b26296f96a2fdc137a507b0e |
|---|---|
| oai_identifier_str |
oai:revistasinvestigacion.unmsm.edu.pe:article/27866 |
| network_acronym_str |
REVUNMSM |
| network_name_str |
Revistas - Universidad Nacional Mayor de San Marcos |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru Modelos de aprendizaje automático y de volatilidad condicional en la predicción de la volatilidad del Índice S&P/BVL Peru General Machine learning models and conditional volatility in predicting the volatility of the S&P/BVL Peru General Index |
| title |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| spellingShingle |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru Puente De La Vega Caceres, Abraham econometría gestión de riesgos mercado financiero aprendizaje empresa econometrics risk management financial market learning business econometria gestão do risco mercado financeiro aprendizagem empresa |
| title_short |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| title_full |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| title_fullStr |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| title_full_unstemmed |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| title_sort |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL Peru |
| dc.creator.none.fl_str_mv |
Puente De La Vega Caceres, Abraham Puente De La Vega Caceres, Abraham Puente De La Vega Caceres, Abraham |
| author |
Puente De La Vega Caceres, Abraham |
| author_facet |
Puente De La Vega Caceres, Abraham |
| author_role |
author |
| dc.subject.none.fl_str_mv |
econometría gestión de riesgos mercado financiero aprendizaje empresa econometrics risk management financial market learning business econometria gestão do risco mercado financeiro aprendizagem empresa |
| topic |
econometría gestión de riesgos mercado financiero aprendizaje empresa econometrics risk management financial market learning business econometria gestão do risco mercado financeiro aprendizagem empresa |
| description |
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. |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024-07-31 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
| format |
article |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866 10.15381/quipu.v32i67.27866 |
| url |
https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866 |
| identifier_str_mv |
10.15381/quipu.v32i67.27866 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866/21233 https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866/21276 |
| dc.rights.none.fl_str_mv |
Derechos de autor 2024 Abraham Puente De La Vega Caceres http://creativecommons.org/licenses/by/4.0 info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Derechos de autor 2024 Abraham Puente De La Vega Caceres http://creativecommons.org/licenses/by/4.0 |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf text/html |
| dc.publisher.none.fl_str_mv |
Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Contables |
| publisher.none.fl_str_mv |
Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Contables |
| dc.source.none.fl_str_mv |
Quipukamayoc; Vol. 32 No. 67 (2024); 55-68 Quipukamayoc; v. 32 n. 67 (2024); 55-68 Quipukamayoc; Vol. 32 Núm. 67 (2024); 55-68 1609-8196 1560-9103 reponame:Revistas - Universidad Nacional Mayor de San Marcos instname:Universidad Nacional Mayor de San Marcos instacron:UNMSM |
| instname_str |
Universidad Nacional Mayor de San Marcos |
| instacron_str |
UNMSM |
| institution |
UNMSM |
| reponame_str |
Revistas - Universidad Nacional Mayor de San Marcos |
| collection |
Revistas - Universidad Nacional Mayor de San Marcos |
| repository.name.fl_str_mv |
|
| repository.mail.fl_str_mv |
|
| _version_ |
1848424474307723264 |
| spelling |
Modelos de aprendizado de máquina e volatilidade condicional na previsão da volatilidade do Índice Geral S&P/BVL PeruModelos de aprendizaje automático y de volatilidad condicional en la predicción de la volatilidad del Índice S&P/BVL Peru GeneralMachine learning models and conditional volatility in predicting the volatility of the S&P/BVL Peru General IndexPuente De La Vega Caceres, AbrahamPuente De La Vega Caceres, AbrahamPuente De La Vega Caceres, Abrahameconometríagestión de riesgosmercado financieroaprendizajeempresaeconometricsrisk managementfinancial marketlearningbusinesseconometriagestão do riscomercado financeiroaprendizagemempresaObjetivo: 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.Objetivo: Evaluar la eficacia de los modelos de aprendizaje profundo y sus extensiones con los modelos de volatilidad condicional en la predicción de la volatilidad del Índice S&P/BVL Peru General. Métodos: El estudio adoptó un diseño no experimental, transversal y analítico para prever la volatilidad del Índice S&P/BVL Peru General, analizando 5807 datos desde el 3 de enero de 2000 hasta el 16 de octubre de 2023. Los datos históricos del Índice fueron procesados utilizando técnicas computacionales en Python. Se realizaron pruebas estadísticas como la prueba aumentada de Dickey-Fuller y la prueba de Jarque-Bera. Para lograr la estacionariedad de los datos, fue necesario aplicar diferenciaciones después de las pruebas de raíz unitaria. Se comparó la precisión de los modelos mediante pruebas de Diebold-Mariano y de Rango Signado de Wilcoxon. Resultados: Los modelos GJR-GARCH, SVR con kernel lineal y redes neuronales demostraron un rendimiento superior en términos de menor MSE, destacándose especialmente el SVR con un MAE de 0.00049. Conclusión: Los modelos GJR-GARCH y SVR con kernel lineal son altamente efectivos para predecir la volatilidad del Índice, recomendándose su implementación en estrategias de gestión de riesgos.Objective: Evaluate the effectiveness of deep learning models and their extensions with conditional volatility models in predicting the volatility of the S&P/BVL Peru General Index. Methods: The study adopted a non-experimental, cross-sectional, and analytical design to forecast the volatility of the General Index of the Lima Stock Exchange, analyzing 5807 data points from January 3, 2000, to October 16, 2023. The historical data of the index was processed using computational techniques in Python. Statistical tests such as the augmented Dickey-Fuller test and the Jarque-Bera test were performed. To achieve stationarity of the data, it was necessary to apply differentiations after unit root tests. The accuracy of the models was compared using Diebold-Mariano and Wilcoxon Signed-Rank tests. Results: The GJR-GARCH, SVR with linear kernel, and neural networks models demonstrated superior performance in terms of lower MAE, with the SVR standing out especially with a MAE of 0.00049. Conclusion: The GJR-GARCH and SVR models with linear kernel are highly effective in predicting volatility of the index, recommending their implementation in risk management strategies.Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Contables2024-07-31info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdftext/htmlhttps://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/2786610.15381/quipu.v32i67.27866Quipukamayoc; Vol. 32 No. 67 (2024); 55-68Quipukamayoc; v. 32 n. 67 (2024); 55-68Quipukamayoc; Vol. 32 Núm. 67 (2024); 55-681609-81961560-9103reponame:Revistas - Universidad Nacional Mayor de San Marcosinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMspahttps://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866/21233https://revistasinvestigacion.unmsm.edu.pe/index.php/quipu/article/view/27866/21276Derechos de autor 2024 Abraham Puente De La Vega Cacereshttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessoai:revistasinvestigacion.unmsm.edu.pe:article/278662024-08-09T16:29:28Z |
| score |
13.907986 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
