Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sistemas expertos con aplicaciones 42 (2015) 7245–7251
Listas de contenidos disponibles en ScienceDirect
Sistemas Expertos con Aplicaciones
página de inicio de la revista: www.elsevier.com/locate/eswa
Volatilidad del precio del oro: un enfoque de previsión utilizando el sistema neuronal artificial
Modelo de redGARCH
un,
Werner Kristjanpoller , Marcel C. Minutolo b,1
aDepartamento de Industrias, Universidad Técnica Federico Santa María, Av. España 1680, Valparaíso, Chile
bGestión del Departamento, Universidad Robert Morris, 324 Massey 6001 University Blvd Moon Township, PA 15108, Estados Unidos
información del artículo abstracto
Historial del artículo: Uno de los métodos más utilizados para pronosticar la volatilidad de los precios es el modelo de heterocedasticidad
Disponible en línea el 4 de mayo de 2015 condicional autorregresiva generalizada (GARCH). Sin embargo, los errores de predicción que utilizan este enfoque
suelen ser bastante elevados. Por lo tanto, se realizan investigaciones continuas para mejorar los modelos de
Palabras clave: pronóstico empleando una variedad de técnicas. En este artículo, ampliamos el campo de los sistemas expertos, la
Volatilidad del precio del oro predicción y el modelo aplicando una red neuronal artificial (RNA) al método GARCH generando un ANNGARCH. El
Red neuronal artificial
modelo híbrido ANNGARCH se aplica para pronosticar la volatilidad del precio del oro (spot y futuro). Los resultados
Modelos GARCH
muestran una mejora general en el pronóstico utilizando ANNGARCH en comparación con el método GARCH solo.
Se logró una reducción general del 25 % en el error porcentual medio medio utilizando el ANNGARCH.
Los resultados se obtienen utilizando como insumos los tipos de cambio euro/dólar y yen/dólar, los índices bursátiles
DJI y FTSE y el rendimiento del precio del petróleo. Discutimos las implicaciones del estudio dentro del contexto de la
disciplina, así como sus aplicaciones prácticas.
2015 Elsevier Ltd. Todos los derechos reservados.
1. Introducción la capacidad de pronosticar la volatilidad futura en lugar de explicarla.
Por lo tanto, los resultados de este estudio son más útiles en la predicción del precio
La capacidad de pronosticar la volatilidad de los precios de los valores es un spot del oro y la volatilidad futura del precio del oro. Esto debería ser importante
desafío importante dada su importancia económica y financiera. En este contexto, para los agentes gubernamentales en países con una economía relacionada con el
la capacidad de predecir la volatilidad del precio del oro (al contado y futura) con oro, y para los inversores que quieran tomar decisiones de inversión en el mercado
mayor precisión es importante para los mercados de materias primas y para la de materias primas (spot y futuro) para obtener una mejor asignación de activos y
economía mundial. El método común es aplicar modelos de heterocedasticidad diversificación de cartera.
condicional autorregresiva generalizada (GARCH) para pronosticar la volatilidad. En un estudio anterior, Tully y Lucey (2007) modelaron la volatilidad del precio
Sin embargo, los errores de predicción que utilizan este enfoque suelen ser bastante del oro utilizando un modelo GARCH de poder asimétrico (AP), y concluyeron que
elevados. Los errores resultantes en los pronósticos tienen el potencial de generar las variables más relevantes que influyeban en la volatilidad del precio del oro eran
grandes pérdidas económicas para quienes utilizan un modelo defectuoso. Además, los precios del petróleo y el FTSE. Kristjanpoller, Fadic y Minutolo (2014)
las deficiencias en los enfoques de modelización contribuyen a mayores ineficiencias demostraron que un sistema experto, en particular el ANNGARCH, aumenta la
en el mercado. Por lo tanto, se buscan continuamente mejores enfoques de precisión de los pronósticos de volatilidad predichos por los modelos GARCH. El
modelización para reducir el riesgo y mejorar la eficiencia del mercado. sistema experto es sensible al comportamiento entre variables de modo que los
resultados son mejores pronósticos.
La investigación tradicional para reducir los errores en los modelos ha buscado El enfoque ANNGARCH crea la posibilidad de determinar las influencias que
incluir variables que parecen ser más importantes para explicar la volatilidad del ejercen las variables cuyo resultado es mejoras incrementales en la precisión de
precio del oro durante el período estudiado, mejorando así el poder explicativo de los pronósticos en comparación con la forma clásica de su relación en el ajuste
un modelo en particular; sin embargo, este enfoque normalmente carece de la del modelo. El enfoque ANNGARCH incorpora como entrada al modelo ANN los
capacidad de pronosticar fuera del período de la muestra. Este estudio innova al pronósticos GARCH pero permite la posibilidad de incorporar otras variables de
cambiar el enfoque de los modelos para entrada a la ANN. Así, se pueden incorporar variables financieras que sean
significativas para el precio o la volatilidad del precio del oro en los modelos
clásicos. Este hecho es muy importante, ya que el foco no está en el
Autor de correspondencia. Tel.: +56 (32) 2654571; fax: +56 (32) 2654815.
Direcciones de correo electrónico: werner.kristjanpoller@usm.cl (W. Kristjanpoller), comportamiento dentro de la muestra, sino en la influencia del
minutolo@r mu.edu (MC Minutolo).
1
Teléfono: +1 412 397 5451.
http://dx.doi.org/10.1016/j.eswa.2015.04.058
09574174/ 2015 Elsevier Ltd. Todos los derechos reservados.
Machine Translated by Google
7246 W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251
Las variables se miden según su contribución en el pronóstico fuera de muestra. Sobre mercado. La metodología que utilizaron fue el enfoque de correlación condicional
la base de estos trabajos anteriores, este estudio emplea un modelo ANNGARCH para dinámica (DCC) GARCH introducido por Engle (2002), que permite evaluar los cambios
pronosticar la volatilidad más allá del período de la muestra para la población fuera de a lo largo del tiempo en las correlaciones entre los rendimientos de las materias
la muestra, mejorando así el conocimiento y las habilidades actuales. primas y las acciones.
Otras herramientas utilizadas en el estudio de la volatilidad de los precios son las
La importancia de este trabajo actual se basa en dos hallazgos. Redes Neuronales Artificiales. Varios investigadores los han utilizado para el estudio
Primero, determinamos la mejora de la precisión en el pronóstico utilizando un modelo del oro. Por ejemplo, Grudnitski y Osburn (1993) estudiaron el impacto de las
híbrido en comparación con los modelos GARCH tradicionales. En particular, condiciones económicas generales y las expectativas de los inversores sobre el índice
demostramos una mayor precisión de los pronósticos híbridos ANNGARCH de la S&P 500 y los precios de los futuros del oro, modelando estos precios como una red
volatilidad del precio del oro para diferentes períodos y para los precios spot y futuros neuronal. Posteriormente, Parisi, Parisi y Díaz (2008) realizaron un estudio en el que
del oro que el GARCH solo. En segundo lugar, la capacidad de incluir variables analizaron la Red Neural Recursiva y la Red Neural Rodante como modificaciones a
financieras como entradas de la ANN permite determinar la influencia que las variables las redes neuronales tradicionales, y aplicaron estas nuevas estrategias para predecir
tienen en la estimación de la volatilidad del precio del oro, spot y futuro para diferentes variaciones en el precio del oro. . Otro estudio es el de YazdaniChamzini, Yakhchali,
horizontes. Este trabajo es importante ya que una mayor precisión de las estimaciones Volungevicˇiene˙ y Zavadskas (2012), quienes investigaron la capacidad del modelo
del precio del oro y de su volatilidad resultará en la toma de decisiones de los ANFIS (Adaptive Network Fuzzy Inference System) para capturar cambios en el precio
inversionistas, mejorará la eficiencia del mercado y contribuirá en la futura asignación del oro y luego evaluaron el desempeño del modelo. en comparación con los del
de precios. modelo ANN y el modelo de media móvil integrada autorregresiva (ARIMA). Sus
resultados mostraron que los métodos ANFIS y ANN son herramientas poderosas
El resto de este trabajo se divide en cuatro secciones adicionales. En la siguiente para modelar el precio del oro y pueden producir mejores resultados que el modelo
sección, proporcionamos una breve revisión de la literatura sobre modelos de ARIMA.
pronóstico, redes neuronales y diversas aplicaciones que han analizado los precios
spot del oro y los precios futuros del oro en busca de evidencia de qué variables
macroeconómicas y otras variables económicas influyen en ellos. En el siguiente
apartado se detalla la metodología y se analizan los datos utilizados. Luego los Como queremos predecir el futuro, es necesario considerar la volatilidad implícita
resultados se presentan e interpretan. Finalmente, la última sección resume las de los precios del oro además de su volatilidad realizada y su historia. Hamid e Iqbal
principales conclusiones de este estudio. (2004) predijeron la volatilidad de los precios de un grupo de productos básicos usando
una red neuronal, y luego compararon sus resultados con la volatilidad implícita
obtenida usando el modelo de fijación de precios de opciones de BaroneAdesi y
Whaley (1987) para contrastar ambas predicciones con la volatilidad real. Las
2. Revisión de la literatura conclusiones del artículo indicaron que las predicciones realizadas por la red neuronal
mejoraron sustancialmente las predicciones obtenidas a través de la volatilidad implícita.
En los últimos años, los autores se han centrado en modelar y pronosticar la
volatilidad en series financieras, ya que es crucial para la caracterización de los
mercados, la optimización de carteras y la valoración de activos; el caso del oro no es Szakmary, Ors, Kyoung Kim y Davidson (2003) también analizaron la volatilidad
una excepción. Existen numerosos estudios que se centran en el oro, ya sea en el implícita. Su trabajo representa una contribución importante porque utilizaron datos
análisis de su precio spot, precio futuro o volatilidad. En este estudio, la volatilidad del de los mercados de futuros, donde las opciones sobre futuros y los contratos de futuros
precio spot y el precio futuro del oro se modela utilizando un modelo ANNGARCH para subyacentes se negocian sobre la misma base. Los resultados obtenidos en el estudio
determinar las variables macroeconómicas importantes para el pronóstico. indicaron que, aunque la volatilidad implícita tuvo un buen desempeño, no fue un
pronosticador imparcial de la volatilidad futura. Neely (2003) utilizó datos de alta
Se han utilizado muchos tipos de modelos para pronosticar la volatilidad, pero los frecuencia (cada 30 minutos) de los precios spot futuros del oro, así como nuevas
más utilizados son los modelos ARCH propuestos por Engle (1982), y luego técnicas econométricas, incluidos modelos de memoria larga, para examinar por qué
generalizados por Bollerslev (1986); han dado lugar a mejoras significativas en la la volatilidad implícita es un pronosticador ineficiente y sesgado de la volatilidad real.
modelización de series temporales. Posteriormente Kroner, Kneafsey y Claessens Según su estudio, ninguna de las explicaciones sugeridas anteriormente en la literatura
(1995) intentaron predecir la volatilidad del precio diario del cacao, maíz, algodón, (estimación inexacta de la volatilidad, superposición de muestras, selección de la
oro, plata, azúcar y trigo en el largo plazo utilizando la combinación del modelo GARCH muestra, etc.) puede explicar de manera plausible este sesgo e ineficiencia.
y el ISD. (Desviación estándar implícita). Además, Tully y Lucey (2007) investigaron
las influencias macroeconómicas sobre el oro utilizando un modelo APGARCH. Su
investigación examinó el precio spot y el precio futuro del oro de 1983 a 2003 utilizando
variables macroeconómicas. Prestaron especial atención a dos períodos (alrededor de Finalmente, es necesario conocer qué otras variables afectan al mercado del oro,
1987 y 2001) en los que se produjeron shocks en los mercados bursátiles. Los ya que uno de los requisitos para utilizar redes neuronales es la correcta selección de
resultados mostraron que el modelo APGARCH ofrecía el ajuste más apropiado a los variables explicativas. Existen numerosos estudios que han analizado el impacto de
datos y que la variable explicativa más importante era el dólar. variables macroeconómicas en el precio del oro; por ejemplo, Batten, Ciner y Lucey
(2010) examinaron la relación entre la volatilidad de cuatro metales negociados
activamente en los mercados (oro, plata, platino y paladio) con factores macroeconómicos
clave en la economía global, como el precio del petróleo. y la inflación. Estos estudios
Trück y Liang (2012) examinaron diferentes modelos que pueden usarse para proporcionan evidencia clara de que los mismos factores macroeconómicos influyen
predecir la volatilidad (GARCH, TARCH, TGARCH, ARMA) con el fin de estudiar su en la volatilidad de la serie de precios de los metales preciosos, pero hay evidencia
comportamiento en el mercado del oro y evaluar el desempeño de estos modelos. limitada de la retroalimentación de la volatilidad de los precios de otras materias primas.
Sus resultados mostraron que para la predicción, tanto dentro como fuera del período
de muestra, los modelos TARCH proporcionaron los mejores resultados.
Finalmente, Creti, Joëts y Mignon (2013) contribuyeron al campo estudiando la Shafiee y Topal (2010) analizaron el comportamiento de los precios del oro de
relación entre materias primas y acciones. todos los registros existentes para ver qué factores han ayudado a aumentar su valor,
Se centraron en la dinámica de la correlación entre ambos mercados, y analizaron si dado que el mercado del oro ha llamado mucho la atención y su precio es casi el más
estas correlaciones evolucionaban según la situación de "optimismo o pesimismo" en alto de la historia. Las variables más importantes que explican el comportamiento del
la bolsa. precio del oro son el precio del petróleo y
Machine Translated by Google
W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251 7247
inflación. Ha habido una alta correlación entre los precios de períodos. Posteriormente Bollerslev (1986) generalizó estos modelos,
oro y petróleo, cerca del 85%, en las últimas cuatro décadas. sin embargo, el y propuso el GARCH (condicional autorregresiva generalizada
estudio demostró que la relación entre el precio del oro y heterocedasticidad), que consiste en un modelo simétrico
La inflación acumulada fue sólo aproximadamente del 9% en los últimos años. en el que la varianza condicional depende de las varianzas condicionales de
cuatro décadas, y que nunca ha habido una relación estadísticamente significativa períodos anteriores, así como del cuadrado
entre el oro y la inflación. de perturbaciones. Una de las razones por las que estos modelos han sido
Elder, Miao y Ramchander (2012) estudiaron el impacto de ampliamente utilizados en la literatura financiera es porque capturan
noticias macroeconómicas sobre rentabilidad, volatilidad real y volumen de agrupación de volatilidad.
los futuros del oro, la plata y el cobre; concluyendo que la economía Para ilustrar, supongamos que Pt es un índice de precios de un sector financiero.
Las noticias influyeron positivamente en la volatilidad y el volumen realizados para serie y rt su rentabilidad o variación porcentual del precio, donde el
los tres metales. También analizaron el tiempo que tardan las noticias en llegar. El índice t denota una observación del cierre diario.
ser totalmente absorbido por el mercado, y si el mercado de metales
rt¼ log Pt log Pt1
responde asimétricamente a noticias macroeconómicas inesperadas,
encontrar evidencia de que varios anuncios de noticias ejercieron un Para la serie de rendimientos, el modelo GARCH se puede expresar como
impacto asimétrico en las variables de actividad del mercado. sigue:
Algunos estudios recientes aplicaron modelos diferentes para pronosticar la
rt ¼ l þ etrt
volatilidad. Por ejemplo, Haugom, Langeland, Molnár y Westgaard
(2014) aplicaron el modelo autorregresivo heterogéneo de la
Volatilidad realizada (HARRV) a la volatilidad del mercado petrolero estadounidense. r2t aie2tiþXp bir2 ti
¼ a0 þXq
Sus resultados demuestran que incluir variables de mercado i¼1 i¼1
precisión de pronóstico mejorada. Fernandes, Medeiros y Scharth
dónde
(2014) utilizaron métodos heterogéneos paramétricos y semiparamétricos.
p0; q > 0; a0 > 0; ai 0; yo = 1; ... ; q y bi 0; yo = 1; ... ; pag:
autorregresivo para predecir el índice de volatilidad (VIX) del Chicago
Se toman condiciones sobre los parámetros para garantizar que la varianza
Board Options Exchange (CBOE) y los resultados indicaron que
condicional del GARCH (p, q) sea siempre positiva. Además,
Es difícil superar el proceso HAR puro, dada la naturaleza persistente del índice
Para asegurar un valor esperado finito de la varianza se supone que:
VIX. Monfared y Enke (2014) aplicaron un híbrido
modelo GJRGARCH Neural Network para pronosticar la volatilidad de
Nasdaq, concluyendo que el modelo híbrido predice bien en XP aiþXq bi < 1
i¼1 i¼1
eventos extremos dado que el proceso estructural de volatilidad es
complejo y que el enfoque es un buen método para utilizar junto con La volatilidad realizada es el parámetro pronosticado a través de un GARCH.
el CVaR. Modelo (1,1), un modelo AR(1) y la Red Neuronal Artificial
En investigaciones adicionales, Muzzioli, Ruggieri y De Baets (2014) modelo y se calcula como el registro de varianza de la muestra regresa en un
comparar diferentes métodos de regresión difusa para estimar el 21 días de ventana al futuro (aproximadamente un mes de transacciones), como lo
función de sonrisa de volatilidad implícita, determinando que el borroso muestra la ecuación.
La regresión es un mejor método predictivo que el enfoque clásico.
1 2
basado en splines cúbicos. Vortelinos (2015) examina modelos no lineales para RVt¼
21 t Xþ21 ð ri Þ rt
pronosticar la volatilidad de siete mercados financieros, siendo el i¼tþ1
El modelo heterogéneo autorregresivo (HAR) tiene el mejor rendimiento. Efimova
y Serletis (2014) modelaron los mercados energéticos En este estudio se utiliza un modelo GARCH (1,1) con una ventana móvil
volatilidad utilizando el enfoque GARCH concluyendo que univariado longitud de 252 d atrás (un año de transacciones); además, un
y los modelos multivariados producen estimaciones similares pero univariadas Se utiliza un modelo autorregresivo de orden 1 para la ecuación media.
Los modelos producen pronósticos más precisos. Azadeh, Moghaddam, Con estas consideraciones, las ecuaciones se determinan de la siguiente manera:
Khakzad y Ebrahimipour (2012) aplicaron un algoritmo flexible
basado en redes neuronales artificiales y regresión difusa para predecir rt ¼ c þ h1rt1 þ etrt
el precio del petróleo, concluyendo que el modelo ANN tiene la mejor medida de
predicciones en términos de error porcentual absoluto medio r2t ¼ a0 þ a1e2 t1 b1r2 t1
(MAPE). Boyacioglu y Avci (2010) aplicaron el enfoque neuronal adaptativo
sistema de inferencia (ANFIS) en el mercado de valores de Estambul para predecir el Las Redes Neuronales Artificiales son una potente herramienta no paramétrica utilizada
utilidad por acción, concluyendo exitosamente la proyección mensual. Svalina, para filtrado de señales, reconocimiento de patrones e interpolación, entre
Galzina, Lujic y Šimunovic (2013) utilizando ANFIS muchas otras aplicaciones. Dentro de sus características, también son
capaz de tolerar datos con errores y encontrar asociaciones no lineales
predecir el precio de cierre del índice de la Bolsa de Valores de Zagreb, obteniendo
información que es útil para predecir dentro de sus límites. entre los parámetros del modelo. Además, uno de sus
Si bien todos los estudios mencionados anteriormente han continuado Las principales ventajas sobre otros métodos econométricos es que no es
producir resultados cada vez más precisos, todavía hay margen para necesario para tomar la funcionalidad del modelo, lo que significa
mejora. En la siguiente sección presentamos el modelo ANNGARCH. no es necesario hacer suposiciones sobre la relación funcional entre las variables;
modelo y los datos utilizados para probarlo. Luego presentamos los hallazgos. sin embargo, es necesario incorporar las variables adecuadas para poder realizar
y discutir las implicaciones. una buena estimación.
Cada red neuronal conecta un grupo de variables de entrada.
; yo = 1; ... ; k con un grupo de una o más variables de salida
3. Metodología y datos fgxiyj; j = 1; ... ; k y cero, una o más de las denominadas capas ocultas.
Las neuronas están conectadas entre las capas para conexiones que
Dado que los modelos clásicos, como MCO, no son adecuados para situaciones se activan al alcanzar un umbral, porque la evaluación de
en las que la varianza es heterocedástica, como es el caso la función de transferencia se basa en los parámetros de entrada. Cada
Para series temporales financieras, Engle (1982) introdujo modelos ARCH La capa puede tener un número diferente de neuronas. La entrada y la salida
(heterocedasticidad condicional autorregresiva), en los que la varianza del error pueden ser variables continuas, discretas, binarias o una combinación de
actual es una función de los términos de error de series de tiempo anteriores. todos ellos.
Machine Translated by Google
7248 W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251
Error cuadrático (RMSE), desviación media absoluta (MAD o MAE) y error porcentual
absoluto medio (MAPE). Estas cuatro medidas son relevantes para analizar los errores;
sin embargo, para este caso particular el MAPE es el más relevante por dos razones.
La primera razón es que MPAE proporciona una comparación entre la volatilidad
realizada y la previsión por el porcentaje de error (y no por el valor del error), lo que
facilita la medición de la precisión.
La segunda razón es que dado que el objetivo es pronosticar la volatilidad que no es
constante sino heterocedasticidad, el análisis relativo es apropiado.
Los conjuntos de datos analizados en este documento son el precio al contado del
oro y el precio futuro del oro (primer futuro 'GC' genérico) de Bloomberg.
El período de muestra para los datos del precio spot del oro es del 6 de septiembre de
1999 al 20 de marzo de 2014 para un total de 3.836 observaciones. Los datos del
precio futuro del oro son del 6 de septiembre de 1999 al 15 de abril de 2014 para un
total de 3.665 observaciones.
La Tabla 1 muestra algunas estadísticas descriptivas de los rendimientos del precio
al contado del oro y los rendimientos del precio futuro del oro. Para ambos casos la
media es cercana a 0 (0,0424% y 0,0444%) y la desviación estándar ronda uno. Estos
valores son típicos de series estacionarias ya que poseen una media cercana a 0 con
pequeñas variaciones. Para analizar la estacionariedad se utiliza la prueba Aumentada
de Dickey Fuller (ADF), la cual resulta significativa al 1% para la serie; por lo tanto, es
Este estudio utiliza el algoritmo de retropropagación que es un algoritmo de posible concluir que las series son estacionarias y por tanto se pueden hacer
aprendizaje supervisado que busca minimizar el error cuadrático por gradiente máximo proyecciones a partir de ellas.
de descenso. Se basa en la "propagación hacia atrás" de los errores.
La Kurtosis es muy superior a 3 (valor por el cual la serie suele ser mesocúrtica),
Para estimar el modelo de red neuronal, es necesario definir las variables de lo que indica que la serie presenta un alto grado de concentración alrededor de los
entrada, los parámetros característicos de la red y la longitud de ventana disponible. valores centrales de la variable.
Las variables independientes utilizadas como entrada para la Red Neural Artificial son Esto muestra que las distribuciones de cola gruesa son necesarias para describir
las variaciones diarias de los tipos de cambio Euro/Dólar y Dólar/Yen, los rendimientos correctamente la distribución condicional de los rendimientos.
de los índices bursátiles del Dow Jones Industrial (DJI) y del Financial Time Stock La asimetría es pequeña y negativa, lo que demuestra que las colas inferiores de
Exchange (FTSE). y la variación diaria del precio del petróleo. Los parámetros iniciales las distribuciones empíricas de rendimientos son más largas que las colas superiores,
de la ANN son tres capas y cinco neuronas por capa. La volatilidad realizada a lo que significa que es probable que los rendimientos negativos estén muy por debajo
pronosticar es t + 22, lo que implica la desviación estándar, calculada a 22 días de hoy, del promedio. LM(12) es la prueba del multiplicador de Lagrange para los efectos
tomando los últimos 21 datos (desconocidos hoy) para calcularla. La longitud de la ARCH (ARCHLM) en los residuos de MCO de la regresión de los rendimientos de una
ventana enrollable es de 252 d. En todos los modelos probados se incluye el pronóstico constante. Se rechaza la hipótesis nula de inexistencia de efectos ARCH para ambas
GARCH y el cuadrado de la variación del precio del oro. series.
La prueba de normalidad de JarqueBera indica que los errores del modelo no se
distribuyen normalmente, lo que implica que la distribución empírica de los rendimientos
Los primeros modelos se construyen a partir de dos series de entrada, el pronóstico diarios de los precios del oro exhibe colas significativamente más pesadas que en una
GARCH y el cuadrado del rendimiento del precio del oro. Estas dos variables de distribución normal.
entrada son básicas porque el pronóstico GARCH es la variable que se mejora a través Las estadísticas descriptivas de las variables independientes se muestran en la
de ANNGARCH y el rendimiento del precio del oro cuadrado es un buen predictor de Tabla 2. Todas las variables tienen una media positiva excepto el yen japonés. El DJI
la volatilidad realizada. Luego las otras variables se agregan paso a paso. Para elegir fue más rentable en promedio que el FTSE en el período analizado. El precio del
el orden, las variables se clasifican a partir de la matriz de correlación de las variables petróleo muestra un alto rendimiento diario y también una alta desviación estándar.
explicativas con la volatilidad realizada. Después de este análisis, para medir la Todas las series son estacionarias.
robustez de los resultados, se modifica la duración de la ventana móvil, el período de Las correlaciones de las variables independientes con la volatilidad realizada son
volatilidad realizada a pronosticar y la combinación de variables de entrada. En muy bajas y en algunos casos negativas. La Tabla 3 muestra la matriz de correlación
particular, se varía la previsión de volatilidad a 21 días, 14 días y 28 días. Estos entre las variables independientes y la volatilidad realizada para el precio spot del oro
modelos se aplican para pronosticar la volatilidad realizada del precio spot del oro y la y el precio futuro del oro para tres horizontes temporales, 14 días, 21 días y 28 días.
volatilidad realizada del precio futuro del oro. Además, el pronóstico GARCH se incluye como variable independiente porque es una
de las entradas de la Red Neuronal Artificial.
Una de las ventajas que tiene un modelo ANNGARCH sobre otras técnicas es la
capacidad que tiene la ANN de aprender de los errores de pronóstico GARCH. Además,
la ANN permite al usuario alimentar la red con variables adicionales para mejorar los 4. Análisis de resultados
resultados de la previsión. Sin embargo, reconocemos que el modelo ANNGARCH
es menos flexible que un modelo NFIS. Otra desventaja del método actual es que el Para obtener mejores resultados en el pronóstico de la volatilidad realizada del
algoritmo de retropropagación de la RNA carece de la capacidad de aprender de su precio del oro, se ajusta el cambio diario máximo en las predicciones de ANNGARCH.
propio error de pronóstico como en otras redes dinámicas. Sin embargo, ANNGARCH Este umbral se fija en el 10%; Si el pronóstico de volatilidad de ANNGARCH en el día
es bastante sencillo de implementar, lo que le da al enfoque una ventaja adicional. t es mayor que 1,1 veces el pronóstico de volatilidad anterior (t1), entonces el
pronóstico en el día t se limita a 1,1 veces el pronóstico anterior (t1).
Para probar los resultados, los valores pronosticados se comparan con la volatilidad Siguiendo a Kristjanpoller et al. (2014), el primer modelo ANNGARCH mantiene
realizada y se utilizan las siguientes medidas para determinar el error: Error cuadrático fijo el pronóstico GARCH y el rendimiento del precio del oro al cuadrado (spot o futuro
medio (MSE), media raíz según el caso) y agrega el otro
Machine Translated by Google
W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251 7249
tabla 1
Estadísticas descriptivas de los rendimientos logarítmicos de los precios del oro.
Estadísticas descriptivas de los rendimientos logarítmicos de los precios del oro.
Lugar 0,0424 1,1682 7,80 9,77 0,10 8,44 4743.55 62,80 276,42
Futuro 0,0444 1,2073 9,82 8,89 0,16 8,88 5308.74 60,26 179,70
Nota: La Prueba de Normalidad es la prueba de JarqueBera que tiene una distribución v2ðqÞ con 2 grados de libertad bajo la hipótesis nula de error distribuido normalmente. el 5%
Por tanto, el valor crítico es 5,99. La prueba de estacionariedad utilizada es el ADF, y su valor crítico al 5% es 2,86. El estadístico LM(12) es la prueba ARCH LM hasta el duodécimo retraso y
bajo la hipótesis nula de que no hay efectos ARCH, tiene una distribución v2ðqÞ donde q es el número de rezagos. El valor crítico del 5% es 21,03.
Tabla 2
Estadística Descriptiva de las Variables Independientes.
Cuadrados. Gold Spot es el cuadrado del rendimiento del precio spot del oro y Sq. Gold Future es el cuadrado del rendimiento futuro del oro al contado. Nota: La Prueba de Normalidad es la prueba de JarqueBera que tiene una
Distribución v2ðqÞ con 2 grados de libertad bajo la hipótesis nula de error normalmente distribuido. Por tanto, el valor crítico del 5% es 5,99. La prueba de estacionariedad utilizada es la
ADF, y su valor crítico al 5% es 2,86.
Tabla 3
Matriz de correlación entre las variables independientes y la volatilidad para diferentes horizontes.
Variables independientes
14 días
21 días
28 días
GARCH significa pronóstico del modelo GARCH y se incluye porque es una de las entradas para la ANN. El precio del oro al cuadrado depende del precio analizado, spot o futuro, para
calcular las correlaciones.
variables paso a paso según los criterios de correlación, utilizando el Tabla 4
Resultados de rendimiento para modelos de pronóstico.
parámetros iniciales en la RNA. El modelo GARCH aplicado para pronosticar la
volatilidad del precio spot del oro tiene un MAPE igual a 0,8664, mientras que Modelos Volatilidad del precio al contado (21 días) Volatilidad de precios futuros (21 d)
Para el caso de la predicción de la volatilidad futura del precio del oro, el MAPE es MAPA ENOJADO MAPA ENOJADO
TME TME
1.0700. Los resultados iniciales son tales que existe una gran cantidad de
GARCH 0.8664 8.2E05 1.8E08 1.0700 9.2E05 2.7E08
oportunidad para mejora. Los resultados demuestran que el
ANNGARCH 1 0.7165 9.6E05 2.6E08 0.7155 9.9E05 2.4E08
El modelo GARCH aplicado para predecir la volatilidad del oro tiene un error ANNGARCH 2 0.7133 8.9E05 2.0E08 0.7009 9.8E05 2.4E08
en la previsión que potencialmente podría reducirse utilizando el ANNGARCH 3 0.7084 9.5E05 2.5E08 0.7133 9.4E05 2.3E08
híbrido ANNGARCH. La Tabla 4 ilustra la mejora en la precisión de la predicción. ANNGARCH 4 0.6938 9.2E05 2.3E08 0.7072 1.0E04 2.7E08
ANNGARCH 5 0.6493 8.8E05 2.1E08 0.6621 9.6E05 2.4E08
Los resultados de la Tabla 4 demuestran que todas las combinaciones de ANN
GARCH para las dos volatilidades han reducido Todos los modelos ANNGARCH tienen como entrada la volatilidad del precio del oro al cuadrado y la
MAPA. En particular, el mejor resultado para la volatilidad del precio spot del oro. Pronóstico GARCH. ANN–GARCH 1 utiliza como entrada adicional euro/dólar, ANN–GARCH 2
es el modelo ANNGARH que incluye todas las variables. En este caso, suma el yen/dólar sobre las entradas de ANN–GARCH 1. ANN–GARCH 3 suma FTSE,
ANN–GARCH incorpora el precio del petróleo y ANN–GARCH agrega el DJI completando todo
el MAPE se reduce en un 25% respecto a la previsión del GARCH, un
variables como entrada. Para cada modelo, el número de pronósticos es 3.383 para el caso spot
importante mejora para la previsión debido a la mayor precisión. Para el modelo y 3.188 para el análisis futuro.
de volatilidad de los precios futuros del oro, el modelo ANNGARCH
con todas las variables es el mejor modelo, reduciendo el MAPE en un 38%. El
Las mejoras demostradas por el método ANNGARCH significan una volatilidad y 1,0507 y 1,0747 respectivamente en el futuro del oro
mayor precisión en el pronóstico que la volatilidad de los precios spot. El volatilidad de precios. Estos resultados confirman que el precio futuro del oro
Los resultados se presentan en la Tabla 4. En la mayoría de los casos, La volatilidad es más difícil de predecir que la volatilidad del precio spot del oro.
MAD y MSD aumentan, lo que indica un mejor pronóstico GARCH en Cuando se aplica el modelo híbrido, los resultados muestran que para el
los periodos de alta volatilidad. volatilidad del precio spot del oro el mejor modelo incorpora cuatro variables
Cuando se cambia el horizonte de pronóstico, el modelo GARCH MAPE (dejando de lado el DJI) para ambos horizontes de 14 días. El modelo con solo
es 0,9834 para 14 días y 0,8195 para 28 días en el caso del precio spot del oro dos variables (euro/dólar y yen/dólar) es mejor para el bono de 28 días.
Machine Translated by Google
7250 W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251
Tabla 7
horizonte, pero su rendimiento es muy similar al modelo con el
Resultados de desempeño para modelos de pronóstico por rondas.
mismas cuatro variables. Para el caso de la volatilidad del precio futuro del oro,
Los mejores modelos siguen siendo los ANNGARCH con todas las variables como Precio de oro Redondo
0.6923 – – –
Para probar la solidez de los resultados, también se realizan las previsiones. DJI
– –
con ventanas rodantes más largas de 504 d para los tres horizontes, que Futuro EURUSD 0,7155 0,6376
5. Conclusiones
Tabla 6 Este artículo tiene dos contribuciones principales. La primera contribución es
Resultados de rendimiento para modelos de pronóstico para diferentes horizontes de pronóstico con dos años la demostración de la capacidad del modelo híbrido ANNGARCH para
de datos en la entrada.
Se confirma la volatilidad prevista. A través del examen de la
Modelos Volatilidad del precio al contado Volatilidad futura de los precios
predicciones del método sobre la volatilidad del precio del oro pudimos
demostrar mejoras con respecto a los medios clásicos de previsión.
14 días 21 días 28 días 14 días 21 días 28 días
En segundo lugar, demostramos un método innovador para determinar
GARCH 0,8780 0,7702 0,7195 0,8466 0,7482 0,7026
¿Qué variables financieras son las más importantes para afectar el
ANNGARCH 1 0,6699 0,7280 0,6397 0,7425 0,6913 0,7305
ANNGARCH 2 0,7196 0,6367 0,6871 0,6282 0,6375 0,6168 volatilidad de los precios spot del oro y de los precios futuros.
ANNGARCH 3 0,6394 0,6444 0,6184 0,5826 0,5813 0,6000 Los resultados muestran que el modelo ANNGARCH mejora la
ANNGARCH 4 0,6685 0,6371 0,6177 0,6348 0,5840 0,5932 resultados de pronóstico en comparación con los del modelo GARCH por
ANNGARCH 5 0,6571 0,6180 0,6012 0,6548 0,5875 0,5600
25% para la volatilidad del precio spot del oro y 38% para el futuro del oro.
Todos los modelos ANNGARCH tienen como entrada la volatilidad del precio del oro al cuadrado y la volatilidad de precios. Los mejores resultados se encontraron en la volatilidad de 21 días.
Pronóstico GARCH. ANN–GARCH 1 utiliza como entrada adicional Euro/Dólar. ANNGARCH 2 pronósticos al incluir el euro/dólar, el yen/dólar, la variación del FTSE, la variación del
agrega el yen/dólar más allá de las entradas de ANN–GARCH 1. ANN–GARCH 3 agrega FTSE, DJI y los rendimientos del precio del petróleo como variables de entrada al
ANN–GARCH 4 incorpora el precio del petróleo y ANN–GARCH 5 agrega el DJI, completando
ANA. Además, para previsiones de precios futuros a 14 y 28 días
todas las variables como entrada. Para cada modelo el número de previsiones es 3.124 (14 d), 3.115
(21 d) y 3.110 (28 d) para el caso spot y 2.986 (14 d), 2.980 (21 d) y 2.973
volatilidad, los resultados muestran que el mejor rendimiento es cuando todos los
(28 d) para el análisis futuro. Las variables están incluidas en el modelo.
Machine Translated by Google
W. Kristjanpoller, MC Minutolo / Sistemas expertos con aplicaciones 42 (2015) 7245–7251 7251
Cuando se aplica un análisis de sensibilidad sobre los parámetros, los Referencias
resultados tienden a ser los mismos. Un análisis consistió en cambiar el orden
de entrada de las variables al modelo, cambiando los criterios de correlación Azadeh, A., Moghaddam, M., Khakzad, M. y Ebrahimipour, V. (2012). Un algoritmo de programación matemática
difusa de red neuronal flexible para mejorar la estimación y pronóstico del precio del petróleo. Computación
mediante un análisis de múltiples rondas. La conclusión fue la misma: el e ingeniería industrial, 62 (2), 421–430.
modelo ANNGARCH con todas las variables es el mejor predictor. La
estabilidad de los resultados sugiere que el modelo se mantendrá bien fuera Batten, JA, Ciner, C. y Lucey, BM (2010). Los determinantes macroeconómicos de la volatilidad en los mercados
de metales preciosos. Política de recursos, 35 (2), 65–71.
de la muestra. En el análisis con 504 días de datos como entrada, los
Bollerslev, T. (1986). Heterocedasticidad condicional autorregresiva generalizada.
resultados para la volatilidad de precios al contado y futuro de 21 y 28 días Revista de econometría, 31 (3), 307–327.
confirman que el modelo con todas las variables tiene el mejor desempeño. Boyacioglu, MA y Avci, D. (2010). Un sistema de inferencia difusa basado en redes adaptativas (ANFIS) para
la predicción del rendimiento del mercado de valores: el caso de la bolsa de valores de Estambul.
Sólo para el pronóstico de volatilidad a 14 días los resultados indican que el
Sistemas expertos con aplicaciones, 37(12), 7908–7912.
modelo con Euro/Dólar, Yen/Dólar y FTSE (y sin el DJI y los precios del Creti, A., Joëts, M. y Mignon, V. (2013). Sobre los vínculos entre la volatilidad de los mercados de valores y de
petróleo) es el mejor modelo para pronosticar la volatilidad de los precios al materias primas. Economía de la energía, 37, 1628.
Efimova, O. y Serletis, A. (2014). Modelización de la volatilidad de los mercados energéticos mediante GARCH.
contado y la volatilidad futura de los precios.
Economía de la energía, 43, 264–273.
Dados los resultados, se puede concluir que es posible mejorar el método Engle, RF (1982). Heterocedasticidad condicional autorregresiva con estimaciones de la varianza de la inflación
de pronóstico GARCH con un modelo ANNGARCH para todos los horizontes del Reino Unido. Econometrica: Revista de la Sociedad Econométrica, 987–1007.
y para la volatilidad del precio spot y futuro del oro. Además, es posible
Engle, R. (2002). Correlación condicional dinámica: una clase simple de modelos multivariados de
determinar las principales variables financieras que influyen en la volatilidad heterocedasticidad condicional autorregresiva generalizada. Revista de estadísticas económicas
del precio del oro. Estos hallazgos abren la oportunidad de probar si todas empresariales, 20(3), 339–350.
las variables que influyen en el ajuste del modelo clásico (dentro de la Elder, J., Miao, H. y Ramchander, S. (2012). Impacto de las noticias macroeconómicas en los futuros de
metales. Revista de Banca y Finanzas, 36(1), 51–65.
muestra) son las que influyen en el pronóstico (fuera de la muestra). Fernandes, M., Medeiros, MC y Scharth, M. (2014). Modelar y predecir el índice de volatilidad del mercado
CBOE. Revista de Banca y Finanzas, 40, 1–10.
La ANN es un excelente complemento utilizado para mejorar la efectividad Grudnitski, G. y Osburn, L. (1993). Previsión de precios de futuros de oro y S&P: una aplicación de redes
neuronales. Revista de mercados de futuros, 13(6), 631–643.
del modelo GARCH para pronosticar la volatilidad, definiendo un modelo
Hamid, SA e Iqbal, Z. (2004). Uso de redes neuronales para pronosticar la volatilidad de los precios de futuros
híbrido ANNGARCH. Además, aplicando este modelo es posible detectar la del índice S&P 500. Revista de investigación empresarial, 57(10), 1116–1125.
influencia de variables financieras importantes para predecir la volatilidad, Haugom, E., Langeland, H., Molnár, P. y Westgaard, S. (2014). Previsión de la volatilidad del mercado petrolero
estadounidense. Revista de Banca y Finanzas, 47, 1–14.
centrándose en la contribución a explicar el comportamiento fuera de la
Kroner, KF, Kneafsey, KP y Claessens, S. (1995). Previsión de la volatilidad en los mercados de materias
muestra y no dentro de la muestra como en el ajuste del modelo clásico. primas. Revista de previsión, 14(2), 77–95.
Aumentar el número de variables no necesariamente aumenta el desempeño Kristjanpoller, W., Fadic, A. y Minutolo, M. (2014). Previsión de volatilidad mediante modelos híbridos de redes
neuronales. Sistemas expertos con aplicaciones, 41(5), 2437–2442.
de los pronósticos. Por lo tanto, el ANNGARCH no sólo ofrece mejores
Monfared, SA y Enke, D. (2014). Pronóstico de volatilidad utilizando un modelo de red neuronal híbrido GJR
pronósticos sino que parece más parsimonioso que otros enfoques. GARCH. Procedia Ciencias de la Computación, 36, 246–253.
Muzzioli, S., Ruggieri, A. y De Baets, B. (2014). Una comparación de métodos de regresión difusa para la
estimación de la función de sonrisa de volatilidad implícita. Conjuntos y sistemas difusos , 2(6), 131–143.
Las limitaciones del modelo propuesto están relacionadas con el
desempeño del pronóstico que se basa principalmente en la calidad de los Neely, CJ (2003). Volatilidad implícita de las opciones sobre futuros de oro: ¿agregan valor los pronósticos
datos utilizados como entrada. Los resultados y las relaciones dependen de econométricos o simplemente pintan el Lilly? Serie de documentos de trabajo del Banco de la Reserva
los datos históricos como todos los modelos de pronóstico. Si bien no existe Federal de St. Louis, (2003018).
Parisi, A., Parisi, F. y Díaz, D. (2008). Previsión de cambios en el precio del oro: modelos de redes neuronales
un modelo de pronóstico perfecto, el ANNGARCH incorpora el concepto recurrentes y rodantes. Revista de gestión financiera multinacional, 18(5), 477–487.
heterocedástico y el aprendizaje de errores de predicción pasados. Otra
limitación se relaciona con la cantidad de datos necesarios para predecir la Svalina, I., Galzina, V., Lujic´, R. y Šimunovic´, G. (2013). Un sistema adaptativo de inferencia difusa basado
en red (ANFIS) para la previsión: el caso de los índices de precios de cierre. Sistemas expertos con
volatilidad a corto plazo (14, 21 y 28 días) dado que se utilizaron 252 días.
aplicaciones, 40(15), 6055–6063.
Finalmente, si bien este estudio utilizó la retropropagación como característica Shafiee, S. y Topal, E. (2010). Una visión general del mercado mundial del oro y el precio del oro.
de las RNA, los resultados pueden mejorarse utilizando otras características pronóstico Política de recursos, 35 (3), 178–189.
Szakmary, A., Ors, E., Kyoung Kim, J. y Davidson, WN III, (2003). El poder predictivo de la volatilidad implícita:
de aprendizaje y retroalimentación que puedan servir como base para una
evidencia de 35 mercados de futuros. Revista de Banca y Finanzas, 27(11), 2151–2175.
nueva investigación.
Es posible que en futuras investigaciones se desee analizar nuevos Trück, S. y Liang, K. (2012). Modelización y previsión de la volatilidad en el mercado del oro.
modelos híbridos para predecir la volatilidad, incorporando lógica difusa. Revista Internacional de Banca y Finanzas, 9(1), 3.
Tully, E. y Lucey, BM (2007). Un examen poderoso de GARCH del mercado del oro.
Además, puede ser beneficioso agregar un paso para detectar en cada Investigación en finanzas y negocios internacionales, 21 (2), 316–325.
iteración el mejor modelo GARCH, analizando EGARCH, IGARCH, TGARCH, Vortelinos, DI (2015). Previsión de volatilidad realizada: HAR frente a combinación de componentes principales,
redes neuronales y GARCH. Investigación en Negocios y Finanzas Internacionales.
GJR.GARCH y otros enfoques. También es posible que desee incorporar un
estado de cambio de Markov para alimentar la ANN. Finalmente, dados los YazdaniChamzini, A., Yakhchali, SH, Volungevicˇiene˙, D. y Zavadskas, EK (2012).
beneficios de ANFIS, es posible que deseemos considerar el modelo híbrido ANFISGARCH.
Previsión de cambios en el precio del oro mediante el uso de un sistema de inferencia
El ANFIS tendría la capacidad de integrar y simular conocimiento de fuentes difusa de red adaptativa . Revista de Gestión y Economía Empresarial, 13(5), 994–1010.
cuantitativas y cualitativas para modelar cambios de comportamiento en la
volatilidad, lo que puede resultar en un mejor modelo para predecir la
volatilidad.