MODELIZACIÓN DE LA VOLATILIDAD CONDICIONAL EN ÍNDICES BURSÁTILES: COMPARATIVA MODELO EGARCH VERSUS RED NEURONAL BACKPROPAGATION
- Autores: Javier Oliver Muncharaz
- Directores de la Tesis: Fernando García García (dir. tes.), Francisco Guijarro Martínez (dir. tes.)
- Lectura: En la Universitat Politècnica de València ( España ) en 2014
- Idioma: español
- Tribunal Calificador de la Tesis: Ismael Moya Clemente (presid.), J. David Cabedo Semper (secret.), Iván Arribas Fernández (voc.)
- Materias:
- Enlaces
- Resumen
El estudio de la volatilidad condicional es necesario para una correcta valoración del riesgo de los activos financieros (acciones, bonos, índices,¿) y productos derivados (futuros y opciones). Una buena predicción de dicha volatilidad es necesaria, por ejemplo, para la diversificación de carteras, valoración de opciones financieras, medidas de riesgo como el VaR,¿Por tanto, es necesario construir modelos capaces de estimar dicha volatilidad. Actualmente, los modelos econométricos GARCH son los más utilizados para predecir la volatilidad condicional. En el presente trabajo se ha estudiado la volatilidad condicional para diversos índices bursátiles, seleccionando un modelo de la familia ARMA-GARCH. Se ha comparado inicialmente un modelo general con el modelo ARMA-EGARCH, seleccionando finalmente este modelo dado que éste recoge las asimetrías existentes en la volatilidad. Por otro lado, las redes neuronales, y en concreto, la red Backpropagation, pueden ser una alternativa para la predicción de la volatilidad. En el presente trabajo se realiza una comparativa entre el modelo econométrico seleccionado y la red neuronal, demostrando que las redes obtienen mejores resultados en la predicción de la volatilidad condicional en los casos estudiados. El estudio se ha realizado para varios índices bursátiles con diferentes tamaños y zonas geográficas y con datos de baja y alta frecuencia.
