Ajuste de la calificación del riesgo de mercado de las empresas más activas que cotizan en la Bolsa Mexicana de Valores con la implementación de una red neuronal artificial clasificadora

Esther Guadalupe Carmona Vega

Resumen


En México la aplicación de redes neuronales artificiales para medir el riesgo de mercado es un tema poco conocido y explorado. Por tal motivo, esta investigación parte de que si el riesgo sistémico es la pérdida que puede presentar un portafolio, un activo o un título en particular, originada por cambios y/o movimientos adversos que afectan su precio o valor final, entonces la medición del mismo. El objetivo de este estudio puede llevarse a cabo con el uso de una red neuronal artificial de tipo clasificador planteada como la hipótesis a probar, que ayude a establecer un ajuste a la medición y clasificación del riesgo de mercado mexicano con la aplicación de una red alimentada en su capa de entrada con 384 observaciones trimestrales utilizadas como el conjunto de datos correspondientes a las 16 empresas más activas y volátiles, de un total de 35 emisoras que conforman el Índice de Precios y Cotizaciones y que cotizaron en la Bolsa Mexicana de Valores de 2004 a 2009.

Los resultados de clasificación del riesgo de mercado (segmentados como bajo, medio y alto riesgo) obtenidos por la red muestran que las variables que contribuyen significativamente a la medición y clasificación del riesgo son la tasa de rendimiento requerida, los cetes a 91 días y los rendimientos accionarios en comparación con otras ya utilizadas anteriormente.

Finalmente, la aportación original de este trabajo es que propone un ajuste a la medición del riesgo de mercado mexicano con el propósito de obtener información más objetiva para los inversionistas, acreedores, accionistas y demás organismos económicos y financieros que requieran de un índice más eficiente, que les permita una adecuada toma de decisiones.


Palabras clave


volatilidad; redes neuronales artificiales; riesgo de mercado; Índice de Precios y Cotizaciones; Bolsa Mexicana de Valores; tasa cetes a 91 días; tasa de rendimiento requerida; Rendimiento accionario; beta; entidades calificadoras de riesgo

Texto completo:

PDF

Referencias


Corredor, P. y Santamaría, R. (2004). “Forecasting Volatility in the Spanish Option Market”. Applied Financial Economics, 14, 1-11.

Gómez, P. y Mendoza, A. (2009). Herramientas para el pronóstico de la calificación crediticia de las finanzas públicas estatales en México: redes neuronales artificiales, Modelo PROBIT ordenado y análisis discriminante. Comité de Investigación del Premio Nacional de Mercados Financieros de la Bolsa Mexicana de Valores. Artículo de Divulgación, año II . volumen II , julio-diciembre de 2010, pp. 1-37.

Haykin, S. (1999). Neural Networks. A Comprehensive Foundation. USA : MacMillan College Publishing Company.

Hornik, K., Stinchcombe, M. y White, H. (1989). “Multilayer feeforward networks are universal approximators”. Neural Networks, no. 2, pp. 359-366.

Johnson, C. y Vergara, R. (2004). Política monetaria en una economía emergente con redes neuronales: el caso de Chile. Manuscrito, Chile: UAI -UC.

Moyer, C., Mcguigan, J. y Kretlow, W. (2004). Administración Financiera Contemporánea. Novena Edición. México: Editorial Thompson, pp. 178-190.

Oddone, C.N. (2004). “Mercados emergentes y crisis financiera internacional: el caso argentino a la luz de las experiencias de México y el sudeste asiático”. Eumednet. Buenos Aires, Argentina.

Parisi, A., Parisi, F. y Guerrero, J. L. (2003). “Redes neuronales en la predicción de índices bursátiles internacionales: un análisis de la estabilidad de los pesos”. El Trimestre Económico, LXIX (280), octubre-diciembre, pp. 721-744.

Zhang, D., Jiang, Q. y Li, X. (2004). “Application of Neural Networks in Financial Data Mining”. International Journal of Computational Intelligence, vol. 1 (2), pp. 116-119.


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2015 Nova Rua



ISSN: 2007-4042