Modelado de la Volatilidad del Índice Minero S&P BVL Utilizando Máquinas de Vectores de Soporte y un Modelo GARCH Lineal

• Puente De La Vega Caceres , Abraham ^[1] ; Aucapuri Vallenas, Adela Leticia ^[1] ; Candia Candia , Cinthia ^[1] ; Velazco Costilla , Hilary ^[1] ; Trejo Ticona , Bryans ^[1] ; Palomino Huamantalla , Maria Luisa ^[1]
  1. [1] Universidad Andina del Cusco

     Universidad Andina del Cusco

     Cusco, Perú

     
• Localización: Integración: (Perú), ISSN-e 2618-1207, ISSN 2790-2145, Vol. 8, Nº. 1, 2024 (Ejemplar dedicado a: Enero-Junio 2024), págs. 26-32
• Idioma: español
• Títulos paralelos:
  • Modeling the Volatility of the S&P BVL Mining Index Using Support Vector Machines and a Linear GARCH Model
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este trabajo aborda el desafío crítico de predecir la volatilidad en el mercado financiero, enfocado específicamente en el Índice Minero S&P BVL del sector minero peruano. La dificultad radica en la naturaleza compleja y dinámica de la volatilidad, que presenta desafíos significativos para los inversores y gestores de riesgos en la toma de decisiones informadas y estratégicas. Se propone evaluar la efectividad de un modelo híbrido de Regresión de Vectores de Soporte con Generalized Autoregressive Conditional Heteroskedasticity (SVR-GARCH) que incorpora un kernel lineal, frente a los enfoques convencionales GARCH. Metodológicamente, el estudio utiliza un diseño cuantitativo, recabando y procesando datos históricos diarios a través de la API de Yahoo! Finance con herramientas de programación en Python, abarcando un período desde el 31 de enero de 2014 hasta el 12 de febrero de 2024. Se implementa la prueba de raíz unitaria Dickey-Fuller Aumentada (ADF) para determinar la estacionariedad de la serie temporal. Los hallazgos indican que el modelo SVR-GARCH-Linear propuesto no solo proporciona predicciones más precisas en comparación con los modelos estándar, sino que también demuestra ser robusto frente a las fluctuaciones del mercado y sensibilidades específicas del índice minero. Concluimos que el enfoque híbrido representa una mejora significativa en las herramientas de predicción y gestión de riesgos, con aplicaciones prácticas que podrían extenderse a otros índices y mercados financieros, demostrando la necesidad de incorporar técnicas de aprendizaje automático en la modelización financiera contemporánea.

  • English

    This work addresses the critical challenge of predicting volatility in the financial market, specifically focused on the S&P BVL Mining Index of the Peruvian mining sector. The difficulty lies in the complex and dynamic nature of volatility, which presents significant challenges for investors and risk managers in making informed and strategic decisions. The study proposes to evaluate the effectiveness of a hybrid model combining Support Vector Regression with Generalized Autoregressive Conditional Heteroskedasticity (SVR-GARCH) that incorporates a linear kernel, against conventional GARCH approaches. Methodologically, the study employs a quantitative design, gathering and processing daily historical data through the Yahoo! Finance API using Python programming tools, covering a period from January 31, 2014, to February 12, 2024. The Augmented Dickey-Fuller (ADF) unit root test is implemented to determine the stationarity of the time series. The findings indicate that the proposed SVR-GARCH-Linear model not only provides more accurate predictions compared to standard models but also proves to be robust against market fluctuations and the specific sensitivities of the mining index. We conclude that the hybrid approach represents a significant improvement in prediction and risk management tools, with practical applications that could extend to other indices and financial markets, demonstrating the need to incorporate machine learning techniques in contemporary financial modeling.