Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC

Abstract

La volatilidad y de manera más general la covarianza de los precios de las acciones es de gran interés para medir los posibles riesgos que pueda tener la compra y venta de éstas, además de proporcionar datos para determinar su rentabilidad. La escasa literatura sobre la implementación de modelos DCC-MGARCH (dynamic conditional correlation GARCH Multivariate) y RN-LSTM (long - short term memory recurrent network) en el mercado financiero colombiano para el pronóstico de la volatilidad de las acciones, llevó a la realización de este trabajo, en el que se comparan estos dos modelos utilizando los softwares R (R Core Team, 1990) y Python (Van Rossum & Drake Jr, 2009), para el pronóstico de la volatilidad del precio de cuatro acciones. Con los datos suministrados se estimaron las volatilidades y covarianzas para luego realizar pronósticos con ambas herramientas y realizar una comparación entre ambas. Del estudio se encontró que el desempeño de ambas metodologías tienen gran similitud, aunque algunas medidas del error de los pronósticos fueron levemente mejor con la RN-LSTM y otras con el modelo DCC-GARCH. Con el objetivo de profundizar más en los análisis de estas volatilidades es adecuado incrementar la cantidad de activos para conocer la incidencia que pueden llegar tener cada uno de éstas en los cálculos de las covarianzas. (Texto tomado de la fuente)

The volatility and more generally the covariance of share prices is of great interest to measure the possible risks that the purchase and sale of these may have, in addition to providing data to determine their profitability. The scant literature on the implementation of DCCMGARCH (dynamic conditional correlation GARCH Multivariate) and RN-LSTM (long - short term memory recurrent network) models in the Colombian financial market for stock volatility forecasting led to the realization of this work, in which these two models are compared using R (R Core Team, 1990) and Python (Van Rossum & Drake Jr, 2009) software for forecasting the price volatility of four shares. With a total of 488 data, the volatilities and covariances were estimated to then make a forecast with both tools and make a comparison between them. The study found that the performance of both methodologies is somewhat similar, although some forecast error measures were slightly better with the RN-LSTM and others with the DCC-GARCH model. It is appropriate to establish a broader range of dates to determine the influence of other factors and increase the amount of assets to know the incidence that each one of these has on the others