Redes neuronales artificiales: efecto asimetría y curtosis en la evaluación de portafolios de inversión / Artificial Neural networks: asymmetry effect and curtosis in the evaluation of investment portfolios

Lilia Alejandra Flores Castillo, Martín Carlos Ramales Osorio

Resumen


El nivel de incertidumbre hace cada vez más difícil diversificar el riesgo, por lo que se requieren estrategias de inversión que apoyen la toma de decisiones. El objetivo de la investigación es evaluar modelos de selección de portafolios considerando la media, la varianza, la asimetría y la curtosis como parámetros de decisión de inversión. Metodológicamente se parte del pronóstico de rendimientos de activos financieros, utilizando redes neuronales artificiales para construir un portafolio óptimo mediante la técnica de optimización multiobjetivo; finalmente se observan los cambios en el rendimiento del portafolio. Se utilizan datos de acciones que cotizan en mercados bursátiles de México, Argentina, Brasil, Chile, Perú y Colombia. Los resultados validan la capacidad predictiva de una red neuronal, en la aplicación del pronóstico de los rendimientos de activos financieros. Los portafolios que se conformaron que incluyen la media, la varianza, la asimetría y la curtosis muestran un mayor rendimiento, en comparación con el modelo de Markowitz; asimismo, queda explicito que existe una mayor probabilidad de obtener rendimientos positivos. Se concluye que mediante la técnica de optimización multiobjetivo empleada es posible obtener portafolios óptimos, al incluir los momentos altos de la distribución de los rendimientos de los activos que conforman el portafolio de inversión, representando este modelo una estrategia para el inversionista.

Palabras clave


estrategias de inversión, momentos estadísticos, optimización multiobjetivo, portafolio de inversión, redes neuronales artificiales

Referencias


Arroyo, A., & Cossío, F. (2015). Impacto fiscal de la volatilidad del precio del petróleo en América Latina y el Caribe. Documentos de Proyecto (LC/W.680). Comisión Económica para América Latina y el Caribe (CEPAL). Recuperado de: http://repositorio.cepal.org/bitstream/handle/11362/39706/S1501020_es.pdf;jsessionid=EF62C98D196B6FC1285E2BB26ABB166A?sequence=1

Chaudhuri, T. D., & Ghosh, I. (2016). Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework. Journal of Insurace and financial Management, 1(5):92-123.

Chunhachinda, P., Dandapani, K., Hamid, S., y Prakash, A. (1997). Portfolio selection and skewness: Evidence from international stock markets. Journal of Banking & Finance, 21(2): 143-167.

Fama, E. (1965). The Behavior of Stock Market Prices. Journal of Business, 38(1): 34-105.

Gitman, (2009). Fundamentos de inversiones. México: Pearson Educación.

Grossberg, S. (1976). Adaptive pattern classification and universal recoding: I. Parallel development and coding of neural feature detectors. Biological Cybernetics, 23(3):121-134.

Hayes, B. P., y Prodanovic, M. (2016). State forecasting and operational planning for distribution network energy management systems. IEEE Transactions on Smart Grid, 7(2): 1002-1011.

Hatata, A. Y., y Eladawy, M. (2017). Prediction of the true harmonic current contribution of nonlinear loads using NARX neural network. Alexandria Engineering Journal. Recuperado de: https://doi.org/10.1016/j.aej.2017.03.050

Hebb, D. (1949). The organization of behavior. New York: Wiley.

Hopfield, J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8): 2554-2558.

Kaastra, I., y Boyd, M. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3): 215-236.

Kemalbay, G., Özkut, C., y Franko, C. (2011). Portfolio selection with higher moments: A polynomial goal programming approach to ISE-30 index. Ekonometri ve Istatistik Dergisi, (13): 41.

Konno, H., y Suzuki, K. (1995). A mean-variance-skewness portfolio optimization model. Journal of the Operations Research Society of Japan, 38(2): 173-187.

Lai, T. (1991). Portfolio selection with skewness: a multiple-objective approach. Review of Quantitative Finance and Accounting, 1(3):293-305.

Lai,K., Yu, L. y Wan, S. (2006). Mean-variance-skewness-kurtosis-based portfolio optimization. First International Multi-Symposium on computer and computational Sciencies (IMSCCS’06), 2:292-297.

Leung, M., H. Daouk, y Chen, A. (2001). Using investment portfolio return to combine forecasts: a multiobjective approach. European Journal of Operational Research, 134(1): 84-102.

Li, X., Qin, Z., y Kar, S. (2010). Mean-variance-skewness model for portfolio selection with fuzzy returns. European Journal of Operational Research, 202(1): 239-247.

Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4): 394-419.

Mandelbrot, B. y Taylor, H.M. (1967). On the Distribution of Stock Price Differences. Operations Research, 15(6): 1057-1062.

Maringuer, D. y Parpas, P. (2009). Global optimization of higher order moments in portfolio selection. Journal of Global optimization, 43(2):219-230.

Martínez C. y Perozo S. (2010). Sistema de información gerencial para la optimización de portafolios de inversión. Revista Venezolana de Gerencia, 15 (50):253-272.

Medina L. (2003). Aplicación de la teoría del portafolio en el mercado accionario colombiano. Cuadernos de economía, 22 (39):128-168.

México Bursátil, (2012). ¿Qué es un portafolio de inversión? Asesores financieros. Recuperado de: http://www.mexicobursatil.com/que-es-un-portafolio-de-inversion/

Moyer, R. McGuigan, R. Kretlow, J. y Nuñez, J. (2005). Administración financiera contemporánea. México: Thomson.

Pinedo, O. (2015). Gestión de portafolio de inversión en activos de renta fija. Revista Moneda, 164: 24-27.

Robles, C. L. (2012). Fundamentos de administración financiera. México: Tercer Milenio.

Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6): 386-408.

Rumelhart, D., Hinton, G., y Williams, R. (1986). Learning internal representations by error propagation. Letters to nature, 323(9):533-536.

Samuelson, P. (1970). The fundamental approximation theorem of portfolio analysis in terms of means, variances and higher moments. The Review of Economic Studies, 37(4):537-542.

Serpa, C., Muguértegui, D., Beteta, J, et al. (2016). Evaluar la capacidad predictiva de los métodos series de tiempo, regression lineal y RNA, poda exhaustiva considerando el mismo margen de error, una aplicación a la demanda. Revista de investigación Business Intellegence, 1(1):18-25.

Sharpe, W. (1966). Mutual fund performance. Journal of business, 39: 119-138.

Stark, L., Okajima, M., y Whipple, G. H. (1962). Computer pattern recognition techniques: electrocardiographic diagnosis. Communications of the ACM, 5(10): 527-531.

Solgi, S., Bayat, M., y Abbasi, Y. M. (2017). The Efficiency of Optimal Portfolio Selection Using Skewness Model. International Research Journal Applied and Basic Sciences, 11(1):14-25.

Villada, F., Muñoz, N. y Garcia-Quintero, E. (2016). Redes Neuronales Artificiales aplicadas a la predicción del precio oro. Información tecnológica, 27(5):143-150.

Wachowicz, J. y James C. (2002) Fundamentos de administración financiera. México: Pearson Educación.

Werbos P. (1974). Beyond regression: new tools for prediction and analysis in the behavioral sciences (Tesis de doctorado), Harvard University.

Widrow, B. (1962). Generalization and information storage in network of adaline 'neurons'. Self-organizing systems, 435-462.

Willmer E. (2015) Metodología para la toma de decisiones de inversión en portafolio de acciones utilizando la técnica multicriterio AHP. Contaduría y Administración, 60 (2):346-366.




DOI: http://dx.doi.org/10.23913/ricea.v6i12.102

Enlaces refback

  • No hay ningún enlace refback.