Análisis comparativo de pronósticos del IPC obtenidos mediante modelos GARCH y redes neuronales

Aldo Alejandro Vidal-Castillo, Francisco Venegas-Martínez, Francisco Ortiz-Arango

Resumen


En el presente trabajo realizamos un análisis comparativo de un modelo GARCH frente a un modelo de redes neuronales para el pronóstico del Índice de Precios y Cotizaciones (IPC) de la Bolsa Mexicana de Valores (BMV) tomando en cuenta cuatro aspectos: 1) contrastar los fundamentos teóricos-económicos de los modelos GARCH y las redes neuronales; 2) enlistar los recursos necesarios para la implementación de los dos modelos; 3) analizar el horizonte temporal de los pronósticos; y 4) establecer la precisión de los pronósticos obtenidos con los dos modelos con respecto a los datos observados, dentro y fuera de la muestra. Los resultados empíricos obtenidos sugieren que el modelo de red neuronal es mejor que el modelo GARCH para el pronóstico del IPC. El resultado logrado también se sostiene en periodos de alta y baja volatilidad; siendo la implementación de nuestra red neuronal más sencilla.

Palabras clave


Métodos de predicción y pronóstico; mercados financieros; redes neuronales; modelos econométricos

Texto completo:

PDF

Referencias


Argáez, J. et al. (2014). Un paseo por el modelo GARCH y sus variantes. Facultad de Matemáticas, Universidad Autónoma de Yucatán, artículo febrero de 2014. Consultado el 20-03-2017 en: http://intranet.matematicas.uady.mx/journal/descargar.php?id=59

Bolsa Mexicana de Valores (2016a). ACTINVER Casa de bolsa reporta resultados del tercer trimestre 2016. Documento consultado el 20-03-2017 en: https://www.bmv.com.mx/docs-pub/infincab/cabinfin_705595_2016-03_2.pdf

Bolsa Mexicana de Valores (2016b). IPC Metodología. Octubre 2016. Documento consultado el

-05-17 en:

http://www.bmv.com.mx/docs-pub/INDICES/CTEN_INNM/metodologia_bmv_ipc.pdf

Bolsa Mexicana de Valores (2017). Grupo BMV. Acerca de. Página consultada el 10-05 -2017en:

https://www.bmv.com.mx/es/grupo-bmv/acerca-de

Box, G. and Jenkins G. (1971). Time Series Analysis, Forecasting and Control. Journal of the Royal Statistical Society. Series A (General) Vol. 134, No. 3. pp. 450-453

Cruz, I y Morales, A. (2011). Pronósticos utilizando redes neuronales artificiales y modelos ARIMA: El caso de futuros del CETE a 91 días en el MexDer. En Avances recientes en valuación de activos y administración de riesgos. Ed. Universidad Panamericana, México.438 pp.

Cruz-Aké, S. (2018). Algoritmo para obtener el mejor modelo GARCH [Material de clase]. Econometría II. Instituto Politécnico Nacional. México, D.F.

Devore, Jay (2008). Probabilidad y estadística para ingeniería y ciencias. Ed. Cengage Learning Editores, México D.F.

Fabozzi, F. J. (2007). Financial econometrics. From basics to advanced modeling techniques. Ed. John Wiley & Sons. US.

Florez, R. y Fernández, J. (2008). Las redes neuronales artificiales. Fundamentos teóricos y aplicaciones prácticas. Ed. Netbiblo. España.

Franses, P. y Dijk, Dick van (2003). Nonlinear time series models in empirical finance. Ed. Cambridge University Pres. US.

García-Estévez, P. (2002). Aplicaciones de las Redes Neuronales en las Finanzas. En Documentos de trabajo de la facultad de ciencias económicas y empresariales no. 2. Ed. Universidad Complutense de Madrid, Facultad de ciencias económicas y empresariales, Madrid, España.

Gómez-Ramos, E. L., F. Venegas-Martínez y H. Allier-Campuzano (2011). Análisis comparativo entre modelos GARCH y redes neuronales en el pronóstico de los índices bursátiles IPC y DOW JONES. Eseconomía, Revista de Estudios Económicos, Tecnológicos y Sociales, Vol. 6, No. 32, pp. 3-22.

Greene, W. (1999). Análisis econométrico. Tercera edición. Ed. Prentice Hall. España, Madrid.

Gúzman, María de la Paz et. al. (2007) El futuro del índice de precios y cotizaciones de la Bolsa Mexicana de Valores. Análisis económico Vol. XXII no. 49. Universidad Autónoma Metropolitana Unidad Azcapotzalco, México.

Hawley, Delvin D. et. al. (1996). Artificial neural systems: A new tool for financial decision-making. En Neural Networks in finance and investing. Using artificial intelligence to improve real-world performance. Ed. Irwin Professional Publishing.

Lorenzo, Arturo y Ruiz, Antonio (2011). Modelación de rendimientos bursátiles mexicanos mediante los modelos TGARCH y EGARCH: Un estudio econométrico para 30 acciones y el índice de precios y cotizaciones. Munich Personal RePEc Archive, MPRA Paper no. 36782 Febrero de 2012. Consultado el 20-03-2017 en: http://mpra.ub.uni-muenchen.de/36872/

Más fondos (2017) El IPC es S&P/BMV IPC, lo que cambia la metodología del cálculo. Página consultada el 20-09-2017 en:

http://blog.masfondos.mx/el-ipc-ahora-es-sp/bmv-ipc-lo-que-cambia-la-metodologia-del-calculo

McNelis, P. (2005). Neural networks in finance: Gaining predictive edge in the market. Ed. Elsevier academic press, UK.

Medsker, Larry et. al. (1996). Neural networks fundamentals for financial analysts. En Neural Networks in finance and investing. Using artificial intelligence to improve real-world performance. Ed. Irwin Professional Publishing.

MexDer (2018a). Presentación. Página consultada el 17-05.18 en:

http://www.mexder.com.mx/wb3/wb/MEX/presentacion

MexDer (2018b). Contratos de futuro. Página consultada el 29-10-18 en:

http://www.mexder.com.mx/wb3/wb/MEX/contratos_futuro

Ortiz, F. et al. (2013). Seguimiento y pronóstico de tres acciones que cotizan en la BMV empleando redes neuronales diferenciales. En Avances recientes en valuación de activos y administración de riesgos. Ed. Universidad Panamericana, México. p.322

Ortiz-Arango, F. A. I. Cabrera-Llanos y F. Venegas-Martínez (2016). Euro Exchange Rate Forecasting with Differential Neural Networks with an Extended Tracking Procedure. International Journal of Pure and Applied Mathematics. Vol. 107, No. 1, pp. 87-109.

Parkin, M. (2014). Economía. Ed. Pearson Educación, México p.568.

Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería. Primera edición. Ed. Alfaomega. México

Quora (2016). What is bias in artificial neural network? Página consultada el 29-10-18 en:

https://www.quora.com/What-is-bias-in-artificial-neural-network

Rosen, J. (1990). Fundamental manifestations of symmetry in physics. Foundations in Physics, Vol. 20 no.3 ed. Springer

Rustichini, Aldo et al. (2002). A brain imaging study of procedural choice. Working paper. Department of economics. University of Minnesota.

Standard and Poor’s Dow Jones Indices (2017a). S&P/BMV Índices metodología. Agosto, Ciudad de México.

Standard and Poor’s Dow Jones Indices (2017b). S&P Dow Jones Índices emite el siguiente recordatorio de cambios a la metodología de los S&P/BMV Índices. Agosto, Ciudad de México.

Standard and Poor’s Dow Jones Indices (2017c). S&P Dow Jones Índices anuncia resultados del cambio de muestra para el S&P/BMV IPC. Septiembre, Ciudad de México.

Valencia M., Yañez C. y Sánchez L. (2006). Algoritmo backpropagation para redes neuronales: conceptos y aplicaciones. Centro de investigación en Computación. Instituto Politécnico Nacional. Manuscrito.

Venegas-Martínez, F. (2008). Riesgos financieros y económicos: Productos derivados y decisiones económicas bajo incertidumbre. Segunda edición. Editorial Cengage Learning. México.


Enlaces refback

  • No hay ningún enlace refback.




Copyright (c) 2022 Aldo Alejandro Vidal-Castillo, Francisco Venegas-Martínez, Francisco Ortiz-Arango

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

  

Revista de Investigación en Ciencias Contables y Administrativas , Volumen V, Número 2, enero-julio de 2020, es una publicación semestral en formato electrónico, editada por la  Universidad Michoacana de San Nicolás de Hidalgo a través de la  Facultad de Contaduría y Ciencias Administrativas , Av. Gral. Francisco J. Múgica S/N, Ciudad Universitaria, Edificio AII, Morelia, Michoacán, México, Tel. y Fax (443) 3-16-74-11, C.P. 58030,  ricca@umich.mx http://ricca.umich.mx. Editor de la revista: Dr. Oscar De la Torre. Reserva de Derechos al Uso Exclusivo ID: 04-2019-061212154000-203, otorgado por INDAUTOR, ISSN: 2448-606X

Última actualización del sitio: 14 de septiembre del 2020

  
Licencia Creative Commons
Revista de investigación en Ciencias Contables y Administrativas por Universidad Michoacana de San Nicolás de Hidalgo se distribuye bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.
Basada en una obra en http://ricca.umich.mx/index.php/ricca.
Permisos más allá del alcance de esta licencia pueden estar disponibles en http://ricca.umich.mx/index.php/ricca/about/submissions#copyrightNotice.