Modelos predictivos de lógica y lógica borrosa en índices bursátiles de América del Norte

##plugins.themes.bootstrap3.article.main##

Antonio Parisi F.
Franco Parisi F.

Resumen

Este artículo continúa con la línea de investigación relativa a modelos predictivos de índices bursátiles: algoritmos genéticos y redes neuronales. Los modelos anteriores, paramétricos o no paramétricos, lineales y no lineales, buscan reconocer pautas de comportamiento y relaciones que se expresan en un lenguaje matemático, por medio de la estimación de coeficientes y su significación estadística. Sin embargo, la mayoría de los agentes que participan en el mercado bursátil utiliza un lenguaje que incorpora aspectos cualitativos para referirse, por ejemplo, al precio de un activo, a la rentabilidad de la inversión, etc. En este contexto, los modelos cuantitativos tienen dificultades para absorber esta información, lo que plantea la necesidad de desarrollar y analizar el uso de nuevas técnicas que permitan incorporar este tipo de referencias. La metodología de lógica borrosa, basada en la idea de que las variables deben ser manejadas no como un número sino más bien por las características que ellas presentan, responde a esta inquietud. Se utilizaron series históricas de cotizaciones diarias de los índices bursátiles norteamericanos DJI y Nasdaq (Estados Unidos), IPC (México) y TSE (Canadá), correspondientes al periodo comprendido entre el 8 de octubre de 1996 y el 7 de enero de 2005. Se construyó un modelo de lógica y otro de lógica difusa, para efectos de proyectar el signo de las variaciones de los índices bursátiles ya señalados. Los modelos de lógica y de lógica borrosa tuvieron una capacidad predictiva estadísticamente significativa. Además, ambos modelos lograron un rendimiento extranormal significativo y positivo al ser utilizados en una estrategia de comercio (trading), aun después de considerar los costos de transacción.
Palabras clave:
lógica borrosa,  funciones de pertenencia,  conjuntos de pertenencia,  reglas de comercio (trading),  desfuzificación, porcentaje de predicción de signo,  prueba de acierto direccional

Descargas

La descarga de datos todavía no está disponible.

##plugins.themes.bootstrap3.article.details##

Métricas PlumX

Citas

Chopra, N., J. Lakonishok y J. R. Ritter (1992), “Measuring Abnormal Returns: Do Stocks Overreact?”, Journal of Financial Economics 31, pp. 235-268.

DeBondt, W. F. M., y R. Thaler (1985), “Does the Stock Market Overreact?”, Journal of Finance 40, pp. 793-805.

Dourra, H., y P. Siy (2001), “Stock Evaluation Using Fuzzy Logia”, International Journal of Theoretical and Applied Finance, vol. 4, núm. 4, pp. 585-602.

Fama, E., y K. R. French (1988), “Permanent and Temporary Components of Stock Prices”, Journal of Political Economy, 98, pp. 247-273.

Leung, Mark T., Daouk Hazem y Chen An-Sing (2000), “Forecasting Stock Indices: A Comparison of Classification and Level Estimation Models”, International Journal of Forecasting (16)2, pp.173-190.

Lo, A., y A. C. MacKinley (1988), “Stock Market Price Do not Follow Random Walk: Evidence From a Simple Specification Test”, Review of Financial Studies 1, pp. 41-66.

Parisi, A., F. Parisi y J. L. Guerrero (2003), “Modelos predictivos de redes neuronales en índices bursátiles internacionales”, EL TRIMESTRE ECONÓMICO, vol. LLX (4), núm. 280, pp. 721-744.

--, -- y E. Cornejo (2004), “Algoritmos genéticos y modelos multivariados recursivos en la predicción de índices bursátiles de América del Norte: IPC, TSE, Nasdaq y DJI”, EL TRIMESTRE ECONÓMICO, vol. LXXI (4), núm. 284, pp. 789-809.

Pesaran, M. H., y A. Timmermann (1992), “A Simple Nonparametric Test of Predictive Performance”, Journal of Business and Economic Statistics 10, pp. 461-465.

Poterba, J. M., y Summers L. H. (1988), “Mean Reversion in Stock Prices: Evidence and Implications”, Journal of Financial Economics 22, pp. 27-59.

Tsibouris, G., y M. Zeidenberg (1995), “Testing the Efficient Markets Hypothesis with Gradient Descent Algorithms”, A. P. Refenes (comp.), Neural networks in the capital markets, Chichester, Reino Unido, Wiley, pp. 127-136.

White, H. (1993), “Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns”, R. R. Trippi y E. Turban (comps.), Neural Networks in Finance and Investing, Nueva York, Irwin, pp. 315-328.

-- (2000), “A Reality Check for Data Snooping”, Econométrica, vol. 68, núm. 5, pp. 1097-1126.