Pronóstico del Índice General de la Bolsa de Valores de Colombia (IGBC) usando modelos de inferencia difusa
Author
Type
Trabajo de grado - Maestría
Document language
EspañolPublication Date
2013Metadata
Show full item recordSummary
Resumen: El pronóstico de índices de mercados de valores es un insumo necesario para tomar decisiones adecuadas de inversión. En este sentido, estudios recientes han señalado la influencia de los indicadores de los principales mercados bursátiles y de otros indicadores económicos sobre los índices de los mercados emergentes. El primer objetivo de este trabajo es determinar si el valor esperado de los rendimientos logarítmicos del Índice General de la Bolsa (IGBC) puede ser explicado por el comportamiento de los rendimientos logarítmicos del S and P500, NASDAQ, el precio del petróleo WTI y la tasa representativa del mercado. El segundo objetivo es comparar la precisión del pronóstico cuando se consideran los siguientes tipos de modelos: regresión lineal múltiple, ANFIS, Hyfis y redes neuronales autorregresivas con variables explicativas. Los resultados muestran que el pronóstico más preciso es obtenido con una red neuronal autorregresiva que usa como entradas el NASDAQ, el S and P500,el precio del petróleo WTI, las interacciones del NASDAQ, el S and P500 y el precio del petróleo WTI con la tasa representativa del mercado y las interacciones del NASDAQ y el S and P500 con el precio del petróleo WTI . Además se concluye que la influencia de las variables explicativas sobre el índice no es linealSummary
Abstract: In this article, the daily Colombian exchange market index (IGBC) is forecasted using linear models, artificial neural networks and adaptive neuro-fuzzy inference systems with the aim of evaluate the accuracy of the forecasts when nonlinear models are used.In addition, we evaluate the explanatory power of other international market indexes, oil prices and exchange rates. Our findings are the following: first, an autoregressive neural network better captures the behavior of the IGBC in comparison with linear and adaptive neuro-fuzzy models; second, the preferred explanatory variables are able to explain complex properties as heteroskedasticity and non-normality of the residuals. And third, it is necessary consider as inputs not only the explanatory variables alone but also their interactionsKeywords
Collections
