Machine Translated by Google

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.

Significar  (%) Desviación  Estándar  (%) Mín  (%) Máx.  (%) Oblicuidad curtosis prueba  de  normalidad AAD LM(12)

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.

Variable Significar  (%) Desviación  Estándar  (%) Mín  (%) Máx.  (%) Oblicuidad curtosis prueba  de  normalidad AAD

DJIA   0,01050   1,1911   8.201   10.508   0,0627   11,16   10595.47   47.745

FTSE   0,00157   1,2319   9.263   9.384   0,1528   9,32   6376.07   29.861
EUR   0,00691   0,4505   2.207   2.532   0,0591   4,97   6198.33   24.583
JPY   0,00183   0,7163   6.168   3.662   0,9282   9,30   6860.10   12.342
0,04001 2,3870 16.551 21.277 0,0956 8,37 4602.85 62.789
Petróleo  Sq.  Plaza   0.0137 0.0373 0.000 0.9550 10.1951 170,93 4554529 19.369
del  punto  de  oro.  Futuro  del  oro 0.0146 0.0409 0.000 0.9644 11.1442 186.837 5236799 11.769

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

Volatilidad GARCH DJIA FTSE EUR Guay Aceite Cuadrados.  precio  de  oro

14  días

Lugar 0,2561   0,0695   0,0734   0,0535   0,0404   0,0434   0.2336

Futuro 0,1857 0,0582 0,0618 0,0461 0,0360 0,0166 0,2035

21  días

Lugar 0.2436 0.0709 0.0723 0.0432 0.0461 0.0415 0,2398

Futuro 0.1377 0.0617 0.0658 0.0349 0.0385 0.0119 0.2142

28  días

Lugar 0,2194   0,0618   0,0664   0,0485   0,0447   0,0430   0,2425

Futuro 0,1135 0,0512 0,0556 0,0438 0,0351 0,0079 0.2139

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

aporte.  La  mejora  en  el  MAPE  por  la  volatilidad  del  precio  spot  del  oro Variable Primero Segundo Tercero Adelante

Volatilidad
es  de  26%  y  18%,  para  el  horizonte  de  14  d  y  28  d,  respectivamente.  En  el
Lugar EURUSD 0,7165   0,7352   0,7262   0.7581
En  el  caso  del  pronóstico  de  volatilidad  futura  de  precios,  el  MAPE  se  reduce  en 0,7985   0,7119   0,7180   –
USD/JPY
31%  y  42%  para  los  horizontes  de  14  d  y  de  28  d.  Los  resultados  son FTSE 0,6973 0,7367 0,7197 0.7086
presentado  en  la  Tabla  5. Aceite 0.6937 0.6908 – –

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  

USD/JPY 0,6967 0,7468 0.6950 0.6975

es  de  aproximadamente  dos  años,  manteniendo  todos  los  demás  parámetros  en
sus  valores  iniciales.  En  los  casos  del  precio  spot  de  21  y  28  días
En  las  previsiones  de  volatilidad,  los  mejores  resultados  se  alcanzan  con  las  cinco   0,7284
variables.  Para  el  pronóstico  de  14  días  el  modelo  óptimo  incluye
Euro/Dólar,  Yen/Dólar  y  FTSE  para  la  volatilidad  del  precio  spot  y
volatilidad  futura  de  los  precios.  En  el  caso  del  precio  futuro  del  oro  a  21  días
volatilidad,  los  resultados  para  los  modelos  con  tres,  cuatro  y  cinco  variables  son  muy  
similares  y  para  el  horizonte  de  pronóstico  de  28  días,  es  claro
que  el  mejor  rendimiento  es  para  el  modelo  con  todas  las  variables.  El
Los  resultados  se  pueden  ver  en  la  Tabla  6.
Finalmente,  para  comprobar  si  el  tipo  elegido  en  el  primer  modelo,
que  estaba  relacionado  con  la  correlación,  influyó  en  los  resultados
obtenidos  y  como  innovación  en  la  metodología,  los  modelos
se  recalculan  siguiendo  un  nuevo  algoritmo.  El  algoritmo  comienza
calculando  los  modelos  con  las  dos  variables  fijas  y  una  de
las  cinco  variables  (euro/dólar,  yen/dólar,  FTSE,  precio  del  petróleo  y
DJI);  así  en  la  primera  ronda  se  calculan  cinco  modelos.  La  variable
asociado  con  el  mejor  de  estos  cinco  modelos  se  incorpora  luego
como  está  fijado  para  la  siguiente  ronda.  En  la  segunda  ronda  los  modelos  tienen
Tabla  5
Resultados  de  rendimiento  para  modelos  de  pronóstico  para  diferentes  horizontes  de  pronóstico.
Modelos
Volatilidad  del  precio  al  contado
14  días 28  días
GARCH 0,9834   0,8195   1,0507   1.0747
ANN­GARCH  1 0,7519   0,7275   0,7557   0.7238
ANN­GARCH  2 0,7596 0,6693
ANN­GARCH  3 0.7753 0.6830
ANN­GARCH  4 0,7148   0,6717   0,7504   0.6397
ANN­GARCH  5 0,7307 0,6748
Todos  los  modelos  ANN­GARCH  tienen  como  entrada  la  volatilidad  del  precio  del  oro  al  cuadrado  y  la
Pronóstico  GARCH.  ANN–GARCH  1  utiliza  como  entrada  adicional  euro/dólar,  ANN–GARCH  2
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
variables  como  entrada.  Para  cada  modelo  el  número  de  previsiones  es  3.391  (14  d)  y  3.377
(28  d)  para  el  caso  spot  y  3.186  (14  d)  y  3.172  (28  d)  para  el  análisis  futuro.
FTSE 0.6638 – – –
–
Aceite 0,8713   0,7134   0,6607  
0,6886 0,7606 0.6959
DJI
Se  calculan  tres  variables  fijas  y  unas  nuevas  sumando  una  de
las  cuatro  variables  restantes.  De  las  mejores,  se  selecciona  la  siguiente  variable  para  
agregarla  como  fija  y  se  inicia  la  tercera  ronda.  Con
En  este  algoritmo  las  variables  se  incorporan  a  los  modelos  como
Mejoran  el  modelo.
Para  series,  spot  y  futuro,  los  modelos  para  la  primera  ronda  tenían
dos  variables  fijas,  el  pronóstico  GARCH  y  el  precio  cuadrado
devolver.  En  cuanto  a  la  volatilidad  de  los  precios  al  contado  en  la  primera  ronda,  los  
mejores  resultados  previstos  se  alcanzan  con  el  modelo  que  incluye  el  DJI;  entonces  para
la  segunda  ronda  el  DJI  se  incorpora  como  fijo  y  lo  mejor
El  modelo  de  la  segunda  ronda  incluye  el  retorno  del  precio  del  petróleo.  en  el  tercero
ronda  manteniendo  fijas  las  previsiones  GARCH,  rentabilidad  del  precio  cuadrado,
DJI  y  el  precio  del  petróleo  vuelve,  el  mejor  resultado  es  para  el  modelo  que
añade  el  tipo  de  cambio  yen/dólar,  pero  el  MAPE  no  mejora.
Sin  embargo,  la  cuarta  ronda  se  calcula  porque  la  tercera  ronda
aún  no  ha  alcanzado  el  rendimiento  obtenido  por  el  modelo  con
todas  las  variables  (Tabla  4).  En  la  cuarta  ronda,  incluido  el  FTSE,  el
MAPE  mejora  en  comparación  con  el  MAPE  de  tercera  ronda,  pero  lo  hace
no  alcanzar  los  resultados  con  todas  las  variables,  confirmando  el  hallazgo  de  que
Volatilidad  futura  de  los  precios
El  modelo  con  todas  las  variables  es  el  mejor  modelo  para  pronosticar.
14  días 28  días
a  través  de  ANN–GARCH  la  volatilidad  del  precio  spot  del  oro.  El  modelo  con
El  MAPE  más  bajo  para  la  volatilidad  futura  de  los  precios  en  la  primera  ronda  es  el
uno  que  incluye  el  FTSE.  Dados  los  resultados  de  la  segunda  vuelta,  el
0,7890 0.7513
0.7230 0.7260 La  variable  a  añadir  como  fija  es  el  tipo  de  cambio  Euro/Dólar  y  en
En  la  tercera  ronda,  la  variable  seleccionada  es  la  rentabilidad  del  precio  del  petróleo.  como  el  lugar
0,7222 0.6353
Los  modelos  de  la  tercera  ronda  no  mejoran  el  MAPE,  la  cuarta
Se  calcula  la  ronda.  En  la  cuarta  vuelta  los  MAPE  tampoco
mejorar  cuando  se  agrega  la  variable  restante,  siendo  la  misma
fenómeno  que  la  volatilidad  de  los  precios  spot.  Los  resultados  de  las  diferentes  rondas  
para  el  precio  spot  y  futuro  se  presentan  en  la  Tabla  7.

5.  Conclusiones

Tabla  6
Resultados  de  rendimiento  para  modelos  de  pronóstico  para  diferentes  horizontes  de  pronóstico  con  dos  años
de  datos  en  la  entrada.
Modelos Volatilidad  del  precio  al  contado Volatilidad  futura  de  los  precios
14  días 21  días 28  días 14  días
GARCH  0,8780  0,7702  0,7195  0,8466  0,7482  0,7026
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
ANN­GARCH  3  0,6394  0,6444  0,6184  0,5826  0,5813  0,6000
ANN­GARCH  4  0,6685  0,6371  0,6177  0,6348  0,5840  0,5932
ANN­GARCH  5  0,6571  0,6180  0,6012  0,6548  0,5875  0,5600
Todos  los  modelos  ANN­GARCH  tienen  como  entrada  la  volatilidad  del  precio  del  oro  al  cuadrado  y  la
Pronóstico  GARCH.  ANN–GARCH  1  utiliza  como  entrada  adicional  Euro/Dólar.  ANN­GARCH  2
agrega  el  yen/dólar  más  allá  de  las  entradas  de  ANN–GARCH  1.  ANN–GARCH  3  agrega  FTSE,
ANN–GARCH  4  incorpora  el  precio  del  petróleo  y  ANN–GARCH  5  agrega  el  DJI,  completando
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
(28  d)  para  el  análisis  futuro.
Este  artículo  tiene  dos  contribuciones  principales.  La  primera  contribución  es
la  demostración  de  la  capacidad  del  modelo  híbrido  ANN­GARCH  para
Se  confirma  la  volatilidad  prevista.  A  través  del  examen  de  la
predicciones  del  método  sobre  la  volatilidad  del  precio  del  oro  pudimos
demostrar  mejoras  con  respecto  a  los  medios  clásicos  de  previsión.
21  días 28  días
En  segundo  lugar,  demostramos  un  método  innovador  para  determinar
¿Qué  variables  financieras  son  las  más  importantes  para  afectar  el
volatilidad  de  los  precios  spot  del  oro  y  de  los  precios  futuros.
Los  resultados  muestran  que  el  modelo  ANN­GARCH  mejora  la
resultados  de  pronóstico  en  comparación  con  los  del  modelo  GARCH  por
25%  para  la  volatilidad  del  precio  spot  del  oro  y  38%  para  el  futuro  del  oro.
volatilidad  de  precios.  Los  mejores  resultados  se  encontraron  en  la  volatilidad  de  21  días.
pronósticos  al  incluir  el  euro/dólar,  el  yen/dólar,  la  variación  del  FTSE,  la  variación  del  
DJI  y  los  rendimientos  del  precio  del  petróleo  como  variables  de  entrada  al
ANA.  Además,  para  previsiones  de  precios  futuros  a  14  y  28  días
volatilidad,  los  resultados  muestran  que  el  mejor  rendimiento  es  cuando  todos  los
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.