meta name="keywords" content="finanzas, crecimiento económico, teoría económica, política económica, desarrollo económico, industrialización, capital humano">
Cómo citar
Rogelio, Torra Porras , S., & Monte Moreno , E. (2021). Técnicas estadísticas y computacionales para la extracción de factores de riesgo sistemáticos subyacentes: una comparativa en la bolsa de valores mexicana . Revista Finanzas y Política Económica, 13(2). Recuperado a partir de https://revfinypolecon.ucatolica.edu.co/article/view/3740

Resumen

Este artículo compara las técnicas de reducción de dimensionalidad o de extracción de características: Análisis de Componentes Principales, Análisis Factorial, Análisis de Componentes Independientes y Análisis de Componentes Principales basado en Redes Neuronales, las cuales son usadas para extraer los factores de riesgo sistemático subyacentes que generan los rendimientos de las acciones de la Bolsa Mexicana de Valores, bajo un enfoque estadístico de la Teoría de Valoración por Arbitraje. Llevamos a cabo nuestra investigación de acuerdo a dos diferentes perspectivas. Primero, las evaluamos desde una perspectiva teórica y matricial, haciendo un paralelismo entre los particulares procesos de mezcla y separación de cada método. En segundo lugar, efectuamos un estudio empírico con el fin de medir el nivel de precisión en la reconstrucción de las variables originales.

Licencia

Derechos de autor 2021 Rogelio, Salvador Torra Porras, Enric Monte Moreno

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.

Citas

Ayesha, S., Hanif, M. K., Talib, R. (2020). Overview and comparative study of dimensionality reduction techniques for high dimensional data. Information Fusion, 59 (July 2020), p.p. 44-58. https://doi.org/10.1016/j.inffus.2020.01.005
Back, A. & Weigend, A. (1997). A first application of independent component analysis to extracting structure from stock returns. International Journal of Neural Systems, 8 (4), p.p. 473-484. https://doi.org/10.1142/S0129065797000458
Bellini, F. & Salinelli, E. (2003). Independent Component Analysis and Immunization: An exploratory study. International Journal of Theoretical and Applied Finance, 6 (7), p.p. 721-738. https://doi.org/10.1142/S0219024903002201
Cavalcante, R.C., Brasileiro, R.C., Souza, L.F., Nobrega, J.P., Oliveira, A.L.I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55 (15 August 2016), p.p. 194-211. https://doi.org/10.1016/j.eswa.2016.02.006
Coli, M., Di Nisio, R., & Ippoliti, L. (2005). Exploratory analysis of financial time series using independent component analysis. In: Proceedings of the 27th international conference on information technology interfaces, p.p. 169-174. Zagreb: IEEE. https://doi.org/10.1109/ITI.2005.1491117
Corominas, Ll., Garrido-Baserba, M., Villez, K., Olsson, G., Cortés, U., & Poch, M. (2018). Transforming data into knowledge for improved wastewater treatment operation: A critical review of techniques. Enviromental Modelling & Software, 106 (Agosto 2018), p.p. 89-103. https://doi.org/10.1016/j.envsoft.2017.11.023
Diebold, F.X. & Lopez, J.A. (1996). Forecast evaluation and combination. In: G.S. Madala & C.R. Rao (eds.), Handbook of statistics, Vol.14. Statistical Methods in Finance, p.p. 241-268. Amsterdam: Elsevier. https://doi.org/10.3386/t0192
Himberg, J. & Hyvärinen, A. (2005). Icasso: software for investigating the reliability of ICA estimates by clustering and visualization. Retrieved from at: http://www.cis.hut.fi/projects/ica/icasso/about+download.shtml [2 February 2009].
Ibraimova, M. (2019). Predicting Financial Distress Through Machine Learning (Publication No. 139967) [Unpublished Master’s Thesis]. Universitat Politécnica de Catalunya. Retrieve from: http://hdl.handle.net/2117/131355
Ince, H. & Trafalis, T. B. (2007). Kernel principal component analysis and support vector machines for stock price prediction. IIE Transactions 39(6): p.p. 629-637. https://doi.org/10.1109/IJCNN.2004.1380933
Ladrón de Guevara-Cortés, Rogelio, Torra-Porras, Salvador & Monte-Moreno, Enric. (2019). Neural Networks Principal Component Analysis for estimating the generative multifactor model of returns under a statistical approach to the Arbitrage Pricing Theory. Evidence from the Mexican Stock Exchange. Computación y Sistemas, 23 (2), p.p. 281-298. http://dx.doi.org/10.13053/CyS-23-2-3193
Ladrón de Guevara-Cortés, R., Torra-Porras, S. & Monte-Moreno, Enric. (2018). Extraction of the underlying structure of systematic risk from Non-Gaussian multivariate financial time series using Independent Component Analysis. Evidence from the Mexican Stock Exchange. Computación y Sistemas, 22 (4), p.p. 1049-1064 http://dx.doi.org/10.13053/CyS-22-4-3083
Ladrón de Guevara-Cortés, R., & Torra-Porras, S. (2014). Estimation of the underlying structure of systematic risk using Principal Component Analysis and Factor Analysis. Contaduría y Administración, 59 (3), p.p. 197-234. http://dx.doi.org/10.1016/S0186-1042(14)71270-7
Lesch, R., Caille, Y., & Lowe, D. (1999). Component analysis in financial time series. In: Proceedings of the 1999 Conference on Computational intelligence for financial engineering, p.p. 183-190. New York: IEEE/IAFE. http://dx.doi.org/10.1109/CIFER.1999.771118
Lui, H. & Wan, J. (2011). Integrating Independent Component Analysis and Principal Component Analysis with Neural Network to Predict Chinese Stock Market. Mathematical Problems in Engineering, 2011, p.p. 1-15. https://doi.org/10.1155/2011/382659
Lizieri, C., Satchell, S. Satchell & Zhang, Q. (2007). The underlying return-generating factors for REIT returns: An application of independent component analysis. Real Estate Economics, 35 (4): p.p. 569-598. https://doi.org/10.1111/j.1540-6229.2007.00201.x
Miranda-Henrique, B., Amorin-Sobreiro, V., Kimura, H. (2019). Experts Systems with Applications, 124 (15 jun 2019), p.p. 226-251. https://doi.org/10.1016/j.eswa.2019.01.012
Pérez, J.V. & Torra, S. (2001). Diversas formas de dependencia no lineal y contrastes de selección de modelos en la predicción de los rendimientos del Ibex35. Estudios sobre la Economía Española 94 (Marzo 2001), p.p. 1-42. Retrieved from: http://documentos.fedea.net/pubs/eee/eee94.pdf
Rojas, S., & Moody, J. (2001). Cross-sectional analysis of the returns of iShares MSCI index funds using Independent Component Analysis. CSE610 Internal Report, Oregon Graduated Institute of Science and Technology. Retrieved from: http://www.geocities.ws/rr_sergio/Projects/cse610_report.pdf
Ross, S.A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory 13 (3): p.p. 341-360. https://doi.org/10.1016/0022-0531(76)90046-6
Scholz, M. (2006a). Approaches to analyse and interpret biological profile data. [Unpublished Ph.D. Dissertation]. Postdam University. Retrieved from: https://publishup.uni-potsdam.de/opus4-ubp/frontdoor/deliver/index/docId/696/file/scholz_diss.pdf
Scholz, M. (2006b). Nonlinear PCA toolbox for Matlab®. Retrieved from: http://www.nlpca.org/matlab. [8 September 2008].
Wei, Z., Jin, L. & Jin, Y. (2005). Independent Component Analysis. Working Paper. Department of Statistics. Stanford University.
Weigang, L., Rodrigues, A. Lihua, S. & Yukuhiro, R. (2007). Nonlinear Principal Component Analysis for withdrawal from the employment time guarantee fund. In: S. Chen, P. Wang & T. Kuo (eds.), Computational Intelligence in Economics and Finance. Vol. II, p.p. 75-92. Berlin: Springer-Verlag. https://doi.org/10.1007/978-3-540-72821-4_4
Yip, F. & Xu, L. (2000). An application of independent component analysis in the arbitrage pricing theory. In: S. Amari et al. (eds.) Proceedings of the International Joint Conference on Neural Networks, p.p. 279-284. Los Alamitos: IEEE. https://doi.org/10.1109/IJCNN.2000.861471

Descargas

La descarga de datos todavía no está disponible.
Sistema OJS 3 - Metabiblioteca |