PREDICCIÓN DEL CAMBIO DE SIGNO DEL IPSA MEDIANTE UN MODELO DE REDES NEURONALES ARTIFICIALES PARA INCREMENTAR LA RENTABILIDAD

Abstract

Este estudio busca encontrar evidencias respecto de la ineficiencia del mercado chileno. Además, se busca analizar la capacidad de los modelos de redes neuronales para predecir el comportamiento y cambio de signo de índice de precios de las acciones chileno. La idea es lograr que las predicciones arrojadas sean utilizadas como indicadores de compra y venta, de modo de aplicar una estrategia activa de inversión que permita obtener rentabilidades mayores a la media del mercado. Para la generación de los modelos, se utilizaron datos de 295 cierres semanales de los índices IPSA, Dow Jones, Merval, Bovespa y precio del cobre. Con estos datos se formularon dos modelos, uno considerando como variables de entrada todos los índices y precios anteriormente mencionados, con rezagos de uno y dos periodos, y otro considerando solo los valores del propio IPSA con rezagos de uno a cinco periodos. Cada modelo fue ingresado al software SPSS Clementine, para generar las predicciones en función de cuatro métodos de entrenamiento de la red neuronal, desde el más sencillo y rápido, al más robusto y lento. El desempeo de cada modelo y método de entrenamiento se evaluó mediante la medición del porcentaje de predicción de signo (PPS), que equivale al número de aciertos en la predicción sobre el total de datos predichos. Luego, para evaluar la significancia estadística de estas predicciones se utilizó la prueba de acierto direccional de Pesaran y Timmermann (1992). Con esta prueba se logró seleccionar de cada modelo el mejor método de entrenamiento para utilizar sus predicciones como indicadores de compra y venta, de modo de comparar la rentabilidad obtenida por este método con la que se obtiene de una estrategia pasiva buy and hold. De los resultados obtenidos se pudo concluir que efectivamente es posible obtener mayores rentabilidades que la media del mercado, en función de datos históricos, lo que refleja ineficiencias en el mercado que validarían la hipótesis planteada en esta tesis. Sin embargo, se observó que no todos los modelos son estadísticamente significativos, planteando como tarea futura la búsqueda de nuevos modelos y utilización de métodos de entrenamiento de las redes neuronales más robustos que permitan lograr mejores resultados.