Análisis de anomalías de mercado usando Machine Learning: un caso de la Bolsa Mexicana de Valores, BMV, 2000-2020
Palabras clave:
Anomalías de mercado, Bolsa Mexicana de Valores, Reversión a la media en precios , Reversión a la media en volatilidad de precios, Aprendizaje automático, Predicción de rendimientosResumen
http://doi.org/10.5281/zenodo.7415936
El presente trabajo tiene la finalidad de analizar la presencia de anomalías en el mercado de valores mexicano; particularmente, se concentra en determinar empíricamente el desempeño de un conjunto reducido: momentum, volatilidad, reversión a la media y efecto enero, fin de mes y fin de semana. Se proponen nuevos criterios de cálculo de las anomalías a partir de los movimientos de los precios con el objetivo de revisar sus efectos en los rendimientos, en contraste con el mercado para el periodo de 2000 a 2020. El estudio muestra los resultados en términos de rendimientos a partir de la identificación de una anomalía comparados con los promedios del principal índice del país: el S&P IPC (Índice de Precios y Cotizaciones), y es la serie de precios a analizar. Se utilizan metodologías de machine learning (Regresión logística, Perceptrón multicapa [MLP], Máquinas de soporte vectorial optimizada [SMO] y Método Logit) para analizar los modelos y los resultados se evalúan con datos dentro y fuera de la muestra (validación cruzada y partición de dos tercios para entrenar y restante para probar). Los resultados muestran que el momentum tiene mayor presencia, dado el comportamiento del índice, y reversión a la media y volatilidad son menos ocurrentes; el efecto enero presenta porcentajes ligeramente inferiores a los del momentum.
Descargas
Citas
Ansah, K., Denwar, I. W., & Appati, J. K. (2022). Intelligent Models for Stock Price Prediction: A Comprehensive Review. Journal of Information Technology Research (JITR), 15(1), 1-17. https://doi.org/jgtj
Asadi, S., Hadavandi, E., Mehmanpazir, F., & Nakhostin, M. (2012). Hybridization of evolutionary Levenberg-Marquardt neural networks and data pre-processing for stock market prediction. Knowl. Based Syst., 35, 245-258. https://bit.ly/3CAtexJ
Barberis, N., & Thaler, R. (2022, September). A Survey of Behavioral Finance. In G.M. Constantinides, M. Harris & R. M. Stulz (Eds.), Handbook of the Economics of Finance (pp. 294-305). Elsevier. https://bit.ly/3VmHFOu
Cabello, A., & Ortíz, E. (2003). Day of the week and month of the year anomalies in the Mexican stock market. Revista Mexicana de Economía y Finanzas, 2(3), 217-241. https://bit.ly/3gbXuHB
Chopra, R., & Sharma, G. D. (2021, November 4). Application of Artificial Intelligence in Stock Market Forecasting: A Critique, Review and Research Agenda. Journal of Risk and Financial Management, 14(11), 1-34. https://doi.org/jgtk
Damodaran, A. (2012, April). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. Wiley Finance.
Diaz-Ruiz, P., Herrerías, R., & Vasquez, A. (2020, July). Anomalies in Emerging Markets: The Case of Mexico. The North American Journal of Economics and Finance, 53, 101188. https://doi.org/gkx36k
Duarte, J., Sierra, K., & Garcés, L. (2013, 2-4 de octubre). Anomalías de Mercado en la Bolsa de Valores de México [Ponencia]. XVIII Congreso International de Contaduría, Administración e Informática, México D. F., México. https://bit.ly/3S1OzWI
Fama, E. (1970, May). Efficient Capital Markets: A Review of Theory and Empirical Work. Proceedings of the Twenty-Eighth Annual Meeting of the American Finance Association New York, December, 28-30, 25(2), 383-417. https://doi.org/b3kfdr
Fama, E., & French, K. (1992, June). The Cross-Section of Expected Stock Returns. The Journal of Finance, 47(2), 427-465. https://doi.org/bpg8
Ferreira, F., Gandomi, A., & Cardoso, R. (2021). Artificial Intelligence Applied to Stock Market Trading: A Review. IEEE Access, 9, 30898-30917. https://bit.ly/3EFW6XZ
García, M., Jalal, A., Garzón, L., & López, J. (2013, julio-diciembre). Métodos para predecir índices bursátiles. Ecos de Economía, 17(37), 51-82. https://bit.ly/3S6Zezc
Green, J., Hand, J. R., & Zhang, F. (2013, September). The supraview of return predictive signals. Review of Accounting Studies, 18(3), 692-730. https://bit.ly/3evwNNU
Hinojosa, R., Trejo, L., Hervert-Escoba, L., Hernández-Gress, N., & González, E. (2021, October). Mexican Stock Return Prediction with Differential Evolution for Hyperparameter Tuning. Proceedings, Advances in Computational Intellignece, MICAI 2021, Mexico City, Mexico, October 25-30, 2021, pp. 355-368. https://bit.ly/3PFrqtD
Jensen, M., Black, F., & Scholes, M. (2006, June 13). The Capital Asset Pricing Model: Some Empirical Tests. In M. Jensen, Studies in the theory of capital markets, (pp. 79-121). Praeger Publishers. https://bit.ly/3S5IaK1
Khursheed, A., Naeem, M., Ahmed, A., & Mustafa, F. (2020, January 30). Adaptive market hypothesis: An empirical analysis of time–varying market efficiency of cryptocurrencies. Cogent Economics & Finance, 8(1). https://doi.org/jgth
Lo, A. W. (2005, March 8). Reconciling Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis. Journal of Investment Consulting, 7(2), 21-44. https://bit.ly/3CW44uW
Montalván, D., Barrón, R., & Godoy, S., (2018). Generating Trading Strategies in the Mexican Stock Market: A Pattern Recognition Approach. Research In Computer Science, 147(12), 107-114. https://bit.ly/3FNgKo0
Munir, A. F., Sukor, M. E. & Shaharuddin, S. S., (2022, January-March). Adaptive Market Hypothesis and Time-varying Contrarian Effect: Evidence from Emerging Stock Markets of South Asia. SAGE Open journals, 12(1),1-16. https://doi.org/jgtn
Rho, C., Fernández, R., & Palma, B. (2021, May). A Sentiment-based Risk Indicator for the Mexican Finantial Sector [Documento de Investigación]. Banco de México. https://bit.ly/3PMXkV8
Rodríguez, D., & Morales, A. (2009). Los efectos “día de la semana” y “mes del año” para los rendimientos de una muestra de acciones que cotizan en la bolsa mexicana de valores. XV Congreso Internacional de Contaduría, Administración e Informática. https://bit.ly/3fYVMt6
Semaan, D., Harb, A., & Kassem, A. (2014). Forecasting exchange rates: Artificial neural networks vs regression. Third International Conference on e-Technologies and Networks for Development (ICeND), 156-161. https://doi.org/jgtp
Tversky, A., & Thaler, R. H. (1990, Spring). Anomalies: Preference Reversals. Journal of Economics Perspectives, 4(2), 201-211. https://bit.ly/3MzClDw
Weiwei, J. (2021, December 1). Applications of Deep Learning in Stock Market Prediction: Recent Progress. Expert Systems with Applications, 184, 115537. https://doi.org/gn38jj
Wong, W.-K. (2020, February). Editorial Statement and Research Ideas for Efficiency and Anomalies in Stock Markets [Editorial]. Economies, MDPI Journal, 8(1). 1-4. https://bit.ly/3rXCXt9
Woo, K.-Y., Mai, C., McAleer, M. & Wong, W.-K. (2020, March 12). Review on Efficiency and Anomalies in Stock Markets. Economies, MDPI Journal, 8(20), 1-51. https://bit.ly/3VrMW7v
Yahoo! Finanzas. (s. f.). Estadísticas financieras en línea. Recuperadas el 10 de mayo de 2020, de https://bit.ly/2J9KvTL
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Carlos Omar Chavez, Arturo Morales Castro, Oswaldo García Salgado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores de las contribuciones que sean seleccionadas para su publicación en el libro Un Espacio para la Ciencia, conservan sus derechos de autor, sin embargo a través de la publicación, permiten la difusión del contenido de los trabajos que envían a la editorial bajo la licencia Creative Commons 4.0.