Predictibilidad de la rentabilidad observada en el mercado accionario colombiano, basado en análisis de series de tiempo
Palabras clave:
Pronóstico, Índice COLCAP, Modelo ARIMA, Redes Neuronales Artificiales, Medida De Predictibilidad, Modelos HíbridosResumen
Se presenta el estudio del comportamiento estadístico de las series de tiempo de los índices IGBC y COLCAP del 2001 al 2018 mediante el análisis de series de tiempo, con el fin de ajustarlas al modelo ARIMA, redes neuronales artificiales y un modelo híbrido exploratorio basado en los anteriores para identificar cuál de ellos pronostica mejor los rendimientos.
Objetivos. Identificar las principales características de la serie histórica del índice bursátil mediante un análisis descriptivo del índice durante el período de estudio (2001 al 2018), analizar los patrones de comportamiento que permiten la predictibilidad de la serie a partir del ajuste de modelos ARIMA y Redes Neuronales Artificiales y evaluar la capacidad predictiva y de ajuste de los modelos además de explorar un modelo combinado.
Metodología Modelo ARIMA, Redes neuronales artificiales y ajuste de un modelo hibrido.
Resultados. Se identificaron las principales características de la serie histórica del índice bursátil IGBC y COLCAP mediante un análisis descriptivo destacando que son serie no estacionaria, asimétricas negativas y son de tipo leptocúrticas.
Se realizaron los ajustes para las series; el IGBC la red neuronal con menor error es una Red multinivel hacia adelante (MLF), con dos capas ocultas y 1 nodo en la primera capa y 2 nodos en la segunda capa y cuatro rezagos. Para el COLCAP es una MLF, con una capa oculta y diez nodos y un solo rezago.
Se comparan los indicadores demostrando que la capacidad predictiva del modelo de Redes Neuronales es estadísticamente mejor que los modelos tradicionales.
En cuanto al ajuste a los modelos tradicionales se encuentra que en la serie histórica del índice bursátil IGBC y COLCAP durante el periodo de estudio (2001 al 2018), se observaron periodos con marcada variabilidad, convirtiéndose en una serie no estacionaria en su varianza. Se evidencia que las series pueden ajustarse a modelos sencillos como MA(1), AR(1), MA(2), AR(2), ARMA(1,1), ARCH(1,1), GARCH(1,1).
Conclusiones Según la hipótesis de mercado eficiente se afirma la impredictibilidad de la rentabilidad, sin embargo, otras vertientes que se oponen a esta hipótesis donde han estudiado la relación de la predictibilidad y los rendimientos, encontrando patrones lineales y no lineales en las series de tiempo mediante modelos matemáticos, donde se destaca que los modelos combinados y las redes neuronales han demostrado mejores ajustes a las series de tiempo financieras.
Se probó la hipótesis de mercado eficiente que dependen de las ventanas móviles seleccionas donde en la serie histórica del índice bursátil IGBC y COLCAP durante el periodo de estudio (2001 al 2018), se evidencia que las series pueden ajustarse a modelos sencillos como MA(1), AR(1), MA(2), AR(2), ARMA(1,1), ARCH(1,1), GARCH(1,1), para el caso de las redes neuronales, se hicieron múltiples iteraciones presentando un mayor ajuste a los modelos de redes neuronales (RNA) con un solo rezago.
Descargas
Referencias
Arias, S, González, M y Fuentes, H (2015) “predictibilidad de los análisis técnico y fundamental en mercados latinoamericanos: evidencia empírica y aplicación práctica” Recuperado a partir de: http://repositorio.uchile.cl/bitstream/handle/2250/129706/Predictibilidad%20de%20los% 20an%C3%A1lisis%20t%C3%A9cnico%20y%20fundamental%20en%20mercados%20l atinoam.pdf;sequence=1
Bachelier, L. (1900). Theory of speculation. Annales Scientifiques de l’Ecole Normale Superieure, III(17), 21–86. Recuperado a partir de http://www.e-m-h.org/Bachelier1900.pdf
Berlanga, V y Rubio, M, (2012). Clasificación de pruebas no paramétricas. Como aplicarlas en SPSS, ICE Universitat de Barcelona. Recuperado a partir de http://hdl.handle.net/2445/45283. http://dx.doi.org/10.1344/reire2012.5.2528
Bertona L. F (2005). Entrenamiento De Redes Neuronales Basado En Algoritmos Evolutivos. Laboratorio de Sistemas Inteligentes
Bollerslev, T. (1986). Heteroscedasticidad condicional auto regresiva generalizada.
Diario de la econometría, 31 (3), 307–327. http://dx.doi.org/10.1016/0304-4076(86)90063-1
Brock, W. A., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and the stochastic properties of stock returns. The Journal of Finance, 47(5), 1731–1764. https://doi.org/10.2307/2328994
Charisios Christodoulos, C.hristos Michalakelis, Dimitris Varoutas. Predicción con datos limitados: Combinando ARIMA y modelos de difusión. Aceptado: el 23 de enero de 2010.
Chen, TL (Chen, Tai-Liang); Cheng, CH (Cheng, Ching-Hsue); Liu, JW (Liu, Jing-Wei). Un modelo de serie temporal causal basado en la regresión de perceptrón multicapa para pronosticar el índice bursátil de Taiwán. Revista internacional de tecnología de la información y toma de decisiones. Páginas: 1967-1987. DOI: 10.1142 / S0219622019500421
Economic Review. Vol. 89, Núm. 1, marzo. Office of Communications (2002). Daniel Kahneman wins Nobel Prize y Kahneman gets warm reception after winning Nobel. Princeton University, octubre 9.
Engle, R (1982) “Heteroscedasticidad condicional autoregresiva con estimaciones de la variación de la inflación del Reino Unido” Recuperado a partir de: http://links.jstor.org/sici?sici=0012-9682%2819820 ... O% 3B2-3 & origin = repec
Fama, E. (1965). The behavior of stock-market prices. The Journal of Business, 38(1),34–105.
Fama, E. (1970). Efficient capital markets: A review of Theory and Empirical Work.The Journal Of Finance, 25(2), 383–417.
Fama, E. (1991). Efficient capital markets: II. The Journal of Finance, 46(5),1575–1617.
Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), 27-34.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). Knowledge discovery and data mining: Towards a unifying framework. Knowledge Discovery and Data Mining, 82- 88.
Fernández, A., y Grau, P (2011) “The hypothesis of efficient market, chaos and capital market” La empresa en el dominio de la complejidad / Marcial Jesús López Moreno (dir.), 2011, ISBN 978-84-96889-88-0, págs. 263-313.
F.-M. Tseng, H.-C. Yu, G.-H. Tzeng, Combining neural network model with seasonal time series ARIMA model, Technol. Forecast. Soc. Change 69 (2002) 71–87
Galarce, A y Marcet Orellana, F (2010) “Mercado cambiario chileno: — Fundamentalismo v/s chartismo”. Recuperado a partir de http://repositorio.uchile.cl/tesis/uchile/2010/ec-galarce_ae/html/index-frames.html
García, D. Kristjanpoller, W. (2019) Un enfoque de pronóstico adaptativo para la volatilidad del precio del cobre a través de modelos híbridos y no híbridos. Recuperado de WOS. DOI: 10.1016/j.asoc.2018.10.007
Garland, Joshua & James, Ryan & Bradley, Elizabeth. (2014). Model-free quantification of time-series predictability. Physical review. E, Statistical, nonlinear, and soft matter physics. 90. 052910. 10.1103/PhysRevE.90.052910.
Goyal, A. y Welch, I. (2003). Predicting the equity premium with dividend ratios. Management Science 49(5), 639–654.
Hadavandi, E.; Shavandi, H. y Ghanbari, A. (2010). Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 800-08.
Hamid, S. A. y Iqbal, Z. (2004). Using neural networks for forecasting volatility of S&P 500 Index futures prices. Journal of Business Research, 57(10):1116–1125.
Han, Y., Yang, K., & Zhou, G. (2013). A new anomaly: The cross-sectional profitability of technical analysis. Journal of Financial and Quantitative Analysis, 48(5), 1433–1461. https://doi.org/10.1017/S0022109013000586
Jensen, M. C. (1978). Some anomalous evidence regarding market efficiency. Journal of Financial Economics, 6(2–3), 95–101. https://doi.org/10.1016/0304-405X(78)90025-9
Jing-rong, D., Combining stock market volatility forecasts using an EWMA technique, 4th International Conference on Wireless Communications, Networking and Mobile Computing, 5277- 5280 (2007)
Kahneman, D. y A. Tversky (1979). “Prospect Theory: An Analysis of Decision Under Risk”, Econometrica. Vol. 47, Núm. 2, marzo.
Kay, J. (2011). The map is not the territory: An essay on the state of economics. Recuperado, a partir de http://ineteconomics.org/sites/inet.civicactions.net/files/kay-john- state-of-economics-v11.pdf
Kuvulmaz, J , Usanmaz, S y Engin, SN (2005). Tiempo - serie predicción mediante modelos lineales y no lineales. Volumen: 3789. Páginas: 504-513
Lo, A. W., & MacKinlay, A. C. (2002). A non-random walk down Wall Street. Princeton, N. J.: Princeton University Press.
Lo, A. (2004). The adaptive markets hypothesis: Market eficiency froman evolutionary perspective. The Journal of Portfolio Management, 30(5),15–29.
Malkiel, B. (1992). Efficient Market Hypothesis. En New Palgrave Dictionary of Money and Finance, Macmillan. London: Newman, P., M.Milgate and J. Eatwell.
Marschinski, R., & Matassini, L. (2001). Financial markets as a complex system: A short time scale perspective (Research notes in economics & statistics No. 01-4). Recuperado a partir de http://hdl.handle.net/10419/40278
Maya C. y Torres, G. (2004) “The Unification of the Colombian Stock Market: A Step Towards Efficiency. Empirical Evidence”. En: Latin American Business Review. Vol. 5, No.4.
Naidu, GM; Reddy, BR; Murthy, BR. Pronósticos De La Serie De Tiempo Utilizando ARIMA Y Enfoques De Red Neural. REVISTA INTERNACIONAL DE CIENCIAS AGRÍCOLAS Y ESTADÍSTICAS. Volumen: 14, No:1, Páginas: 275-278. Junio 2018.
Ospina Holguín, Javier Humberto (2015). Medidas dinámicas de predictibilidad en el índice S&P 500 y sus determinantes. INNOVAR. Revista de Ciencias Administrativas y Sociales, 25(56),69-82.[fecha de Consulta 1 de Mayo de 2021]. ISSN: 0121-5051. Disponible en: https://www.redalyc.org/articulo.oa?id=81835367006
Ospina, J (2017) “Predictibilidad de la serie de tiempo y rentabilidad: una aproximación desde la anomalía de la rentabilidad de la sección transversal del análisis técnico” Tesis de Doctorado en Administración, Universidad del Valle.
Perez-Villalobos, J. y Mendoza-Gutiérrez, J. (2010). Efecto día en el mercado accionario colombiano: una aproximación no paramétrica. Borradores de economía Banco de la Republica.
Pradeepkumar, D (Pradeepkumar, Dadabada); Ravi, V (Ravi, Vadlamani) (2017). Pronosticar la volatilidad de las series de tiempo financieras utilizando la optimización de enjambre de partículas Red neuronal capacitada en regresión cuantil. Volumen 58, Páginas: 35-52. Septiembre 2017. DOI: 10.1016 / j.asoc.2017.04.014
Samuelson, P. A. (1965). Proof that properly anticipated prices fluctuate randomly. Industrial Management Review, 6(2), 41–49. Recuperado a partir de http://static.stevereads.com/papers_to_read/proof_that_properly_anticipated_prices_fluctuate_randomly.pdf
Shiller, R. (2003). From Efficient Markets Theory to behavioral finance. Journal of Economic Perspectives, 17(1), 83–104.
Subrahmanyam, A. (2010). The cross-section of expected stock returns: What have we learnt from the past twenty-five years of research? European Financial Management, 16(1), 27–42. https://doi.org/10.1111/j.1468-036X.2009.00520.x
Susruth, M (2017). Previsiones financieras: un estudio empírico sobre Box - Metodología Jenkins con referencia al mercado de valores indio. RESEÑA DE NEGOCIOS DEL PACÍFICO INTERNACIONAL. Volumen: 10, No 2, Páginas: 115-123. Agosto 2017.
Talero, L; Duarte, J y Garces, L. (2017) The Complexity of Latin-American Stock Market using a Behavioral Cellular Automaton Model. vol. 36, n. 64, pp. 199-223. ISSN 0120-3053. http://dx. doi. org/10.19053/01203053. v36. n64. 2017.5421.
W. Jacobs, A. M. Souza and R. R. Zanini, "Combination of Box-Jenkins and MLP/RNA models for forecasting," in IEEE Latin America Transactions, vol. 14, no. 4, pp. 1870-1878, April 2016. doi: 10.1109/TLA.2016.7483528
Zhang G. Peter (2001). Time series forecasting using a hybrid ARIMA and neural network model. Department of Management, J. Mack Robinson College of Business, Georgia State University, University Plaza, Atlanta, GA 30303, Aceptado 23 Noviembre 2001.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
CC Reconocimiento-NoComercial 4.0
