Evaluación de modelos de pronóstico para los principales mercados bursátiles latinoamericanos

Simple item page
dc.contributor.advisorDuarte Duarte, Juan Benjamín
dc.contributor.authorParada Mayorga, Pilar Tatiana
dc.date.accessioned2024-03-03T22:03:09Z
dc.date.available2015
dc.date.available2024-03-03T22:03:09Z
dc.date.created2015
dc.date.issued2015
dc.description.abstractEl siguiente trabajo de investigación, analiza el comportamiento de los principales índices bursátiles latinoamericanos: IGBC, MERVAL, IPC, IGPA y BOVEPSA, a través del uso de una metodología que consiste en dividir cada serie de tiempo en intervalos de tendencia alcista y bajista, haciendo uso del análisis técnico; para posteriormente ajustar los modelos autorregresivos de heterocedasticidad condicional GARCH, EGARCH, TGARCH y una red neuronal artificial autorregresiva, con el fin de identificar el modelo que pronostique mejor los rendimientos de los índices. Los resultados demuestran que en general la capacidad de pronóstico de los modelos asimétricos TGARCH(p,q), EGARCH(p,q) es superior al modelo simétrico GARCH(p,q) para los intervalos identificados independiente de la tendencia, los cuales son superados por las redes neuronales artificiales tanto para tendencias alcistas como bajistas; por lo que se concluye que no se puede generalizar acerca de la pertinencia del uso de un determinado modelo, que pronostique mejor los rendimientos de un índice y que dependa de la dirección del mercado. Finalmente se dan recomendaciones para que en futuras investigaciones, se profundice en la utilización de redes neuronales artificiales que utilicen diferentes topologías, algoritmos de aprendizaje y variables de entrada; así como considerar ajustar a diferentes ventanas de tiempo los modelos autorregresivos, con el fin de tener en cuenta la variación de las características principales de las series de tiempo financieras. 1
dc.description.abstractenglishThis paper analyzes the behavior of the major Latin American stock indices: IGBC, MERVAL, IPC, IGPA y BOVEPSA, through the use of a methodology which consists in dividing each time series depending on the direction of the market; to subsequently adjust the autoregressive GARCH, EGARCH, TGARCH and autoregressive neural network, in order to identify the model that forecasts the returns better, depending on the direction of the trend. The results show that in general, the forecasting capacity of asymmetric models: EGARCH (p,q) TGARCH(p,q) is superior to symmetric model GARCH(p,q) for the intervals identified; which are overcome by the artificial neural network for both uptrend and downtrend; so it concludes that it cannot generalize about the appropriateness of the use of a particular model that best predicts yields a value depending on the market trend index. Finally recommendations are given for future research, about the use of artificial neural networks using different topologies, learning algorithms and input variables, consider and adjust to different time windows autoregressive models, in order to take into account the variation of the main characteristics of the financial time series, as well as consider and adjust to different time windows autoregressive models, in order to take into account the variation of the main characteristics of the financial time series.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Industrial
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/32310
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Industrial
dc.publisher.schoolEscuela de Estudios Industriales y Empresariales
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectPronóstico
dc.subjectÍndices Generales
dc.subjectLatinoamérica
dc.subjectTendencias De Mercado
dc.subjectRedes Neuronales Artificiales
dc.subjectModelos Garch.
dc.subject.keywordForecasting
dc.subject.keywordGarch Models
dc.subject.keywordArtificial Neural Networks
dc.subject.keywordGeneral Index
dc.subject.keywordLatin-American
dc.subject.keywordMarkets Trends.
dc.titleEvaluación de modelos de pronóstico para los principales mercados bursátiles latinoamericanos
dc.title.englishEvaluación de modelos de pronóstico a los principales mercados bursátiles latinoamericanos3.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
66.9 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
5.46 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
56 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Industrial