PRONÓSTICO DE VOLATILIDAD PARA UN GRUPO DE COMMODITIES MEDIANTE UN MODELO HÍBRIDO ANN-GARCH

Abstract

En la presente tesis se estudia el pronóstico de la volatilidad de la variación porcentual del precio spot del cobre, el oro y la plata; tres de los metales más importantes del mercado mundial. Debido a la existencia de heterocedasticidad (la varianza de los errores no es constante a lo largo de las observaciones) en las series financieras, no es posible usar los típicos modelos de mínimos cuadrados para poder predecir la varianza condicional fuera de la muestra en dichas series. Es por ello que Engle (1982) propone los modelos ARCH, que posteriormente fueron generalizados por Bollerslev (1986) con los famosos modelos GARCH. En este estudio se utilizó, para pronosticar la volatilidad, un grupo de modelos del tipo GARCH, como lo son el ya mencionado modelo GARCH, el EGARCH, el APGARCH y el TGARCH, los que se modelan en conjunto a un set de variables explicativas como el euro, el yen, el petróleo e índices bursátiles de China, Europa, India y Estados Unidos. Los resultados indican que el modelo M-EGARCH es el que mejor modela los retornos del oro y la plata, mientras que el M-APGARCH con índice de poder igual a 1 es el que lo hace para el cobre. Posteriormente, los pronósticos de estos modelos se utilizarán como input para una red neuronal. Utilizamos el método de redes neuronales ya que posee características que lo diferencian de otros modelos, como lo es su capacidad de tolerar datos de entrada erróneos, incompletos o difusos y, principalmente, su habilidad de aprendizaje. En este trabajo, se usa para analizar si aumenta el poder predictivo de la familia de modelos GARCH. Los resultados obtenidos muestran para los tres metales, que el uso del modelo híbrido de redes neuronales, aumenta el poder de pronóstico de la volatilidad fuera de la muestra. Para darle robustez a los resultados se hicieron una serie de sensibilizaciones y análisis de distintos casos, los que vienen a reconfirmar la hipótesis inicial presentada.