Predictibilidad de la rentabilidad observada en el mercado accionario colombiano, basado en análisis de series de tiempo

Simple item page
dc.contributor.advisorVecino Arenas, Carlos Enrique
dc.contributor.advisorLamos Díaz, Henry
dc.contributor.authorRuiz Cañas, Tatiana Andrea
dc.contributor.evaluatorGarcés Bautista, José Luis
dc.contributor.evaluatorSerrano Díaz, Jorge Raúl
dc.date.accessioned2025-05-19T21:04:02Z
dc.date.available2025-05-19T21:04:02Z
dc.date.created2025-04-05
dc.date.issued2025-04-09
dc.description.abstractEn este trabajo de investigación, se presenta el estudio del comportamiento estadístico de las series de tiempo de los índices IGBC (Índice General de la Bolsa de Valores de Colombia) y COLCAP (Índice de capitalización que refleja las variaciones de los precios de las acciones más líquidas de la Bolsa de Valores de Colombia) del 2001 al 2018 mediante el análisis de series de tiempo, con el fin de ajustarlas al modelo ARIMA (Modelo autorregresivo integrado de media móvil), redes neuronales artificiales y un modelo híbrido exploratorio basado en los anteriores para identificar cuál de ellos pronostica mejor los rendimientos. Se observó que las series históricas del índice bursátil son asimétricas negativas, leptocúrticas y no son estacionarias, con un mayor apuntamiento en la distribución de frecuencias de la serie del IGBC. Además, se realizó la Prueba de Rachas a las series de tiempo estudiadas, encontrándose que estas son dependientes. Por otra parte, el IGBC, el COLCAP y la unión de las anteriormente mencionadas se ajustaron a modelos sencillos como MA(1), AR(1), MA(2), AR(2), ARMA(1,1), ARCH(1,1), GARCH(1,1). Además, se determinó que las series del IGBC y COLCAP presentan un mayor ajuste a los modelos de redes neuronales con un solo rezago. Para el IGBC, la red neuronal con menor error es una Red multinivel hacia adelante (MLF), con dos capas ocultas y un nodo en la primera capa, dos nodos en la segunda capa y cuatro rezagos. Para el COLCAP, el mayor ajuste se da con una capa oculta, diez nodos y un solo rezago. Para el ajuste del modelo híbrido ARIMA-Red neuronal artificial se obtuvo un RMSE (Error de raíz cuadrada media) igual a 0,02. Finalmente, se validan las hipótesis demostrando que las redes neuronales artificiales son más precisas en pronosticar los rendimientos, capturando el comportamiento y las relaciones que existen entre los mismos datos de las series. Adicionalmente, se incluye una métrica de predictibilidad instantánea en las series, lo que constituye una estrategia práctica para evaluar la idoneidad de métodos de pronóstico.
dc.description.abstractenglishThis research work presents a study of the statistical behavior of the time series of the IGBC and COLCAP indices from 2001 to 2018 through time series analysis, to adjust them to the ARIMA model, artificial neural networks, and an exploratory hybrid model based on the previous ones for choose which of them have the best predicts. It was observed that the historical series of the stock index are non-stationary, negative asymmetric, and leptokurtic. Likewise, a greater pointing was found in the frequency distribution of the IGBC series. Besides, the Runs test was performed on the time series, finding that these are dependent and, therefore, have a level of predictability. On the other hand, the IGBC, COLCAP, and the joint series were adjusted to simple models such as MA (1), AR (1), MA (2), AR (2), ARMA (1,1), ARCH (1, 1), GARCH (1,1). On the other hand, it was determined that the IGBC and COLCAP series show a greater fit to the neural network models with a single lag. For the IGBC, the neural network with the lowest error is a Multilevel Forward Network (MLF), with two hidden layers and one node in the first layer, two nodes in the second layer, and four lags. The best fit for COLCAP index was obtained using a hidden layer and ten nodes for the historical data series and a single lag. For the adjustment of the ARIMA-Artificial Neural Network hybrid model, an RMSE equal to 0.02 was obtained. Finally, the hypotheses are validated that artificial neural networks are more accurate in predicting yields, capturing the behavior and relationships that exist between the same data in the series. Additionally, is included an instantaneous predictability metric in the series, which constitutes a practical strategy to evaluate the suitability of forecasting methods.
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/20.500.14071/45527
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Industrial
dc.publisher.schoolEscuela de Estudios Industriales y Empresariales
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectPronóstico
dc.subjectÍndice COLCAP
dc.subjectModelo ARIMA
dc.subjectRedes neuronales artificiales
dc.subjectModelos combinados
dc.subject.keywordForecast
dc.subject.keywordCOLCAP Index
dc.subject.keywordARIMA Model
dc.subject.keywordArtificial Neural Networks
dc.subject.keywordCombined Models
dc.titlePredictibilidad de la rentabilidad observada en el mercado accionario colombiano, basado en análisis de series de tiempo
dc.title.englishPredictability of the observed profitability in the colombian stock market, based on time series analysis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 5 of 9
No Thumbnail Available
Name:
Documento.pdf
Size:
1.51 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
542.4 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
35.83 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Apéndice A Revisión de la literatura.docx
Size:
148.61 KB
Format:
Microsoft Word XML
Download
No Thumbnail Available
Name:
Apéndice B Gráficas de los modelos con mayor AIC.docx
Size:
2.91 MB
Format:
Microsoft Word XML
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería Industrial