Cómo citar
Ladrón de Guevara Cortés, R., Torra Porras, S., & Monte Moreno, E. (2021). Técnicas estadísticas y computacionales para extraer factores de riesgo sistemático subyacentes: un estudio comparativo en la Bolsa Mexicana de Valores. Revista Finanzas Y Política Económica, 13(2), 513–543. https://doi.org/10.14718/revfinanzpolitecon.v13.n2.2021.9
Licencia

Esta revista está autorizada por una licencia de atribución Creative Commons (CC BY-NC-SA 4.0) Attribution-Non Commercial 4.0 International. Para las licencias CC, el principio es el de la libertad creativa. Este sistema complementa el derecho de autor sin oponerse a este, conscientes de su importancia en nuestra cultura. El contenido de los artículos es responsabilidad de cada autor y no compromete, de ninguna manera, a la revista o a la institución. Se permite la divulgación y reproducción de títulos, resúmenes y contenido total, con fines académicos, científicos, culturales, siempre y cuando, se cite la respectiva fuente. Esta obra no puede ser utilizada con fines comerciales.

Licencia de Creative Commons

La revista no cobra a los autores por la presentación o la publicación de sus artículos

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.

Palabras clave:

Citas

Anowar, F., Sadaoui, S., & Selim, B. (2021). A conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE). Computer Science Review, 40 (5), p.p. 1000378-. https://doi.org/10.1016/j.cosrev.2021.100378 DOI: https://doi.org/10.1016/j.cosrev.2021.100378

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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1109/ITI.2005.1491117

Corominas, Ll., Garrido-Baserba, M., Villez, K., Olson, G., Cortés, U., & Poch, M. (2018). Transforming data into knowledge for improved wastewater treatment operation: A critical review of techniques. Environmental Modelling & Software, 106 (Agosto 2018), p.p. 89-103. https://doi.org/10.1016/j.envsoft.2017.11.023 DOI: 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 DOI: https://doi.org/10.1016/S0169-7161(96)14010-4

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. Retrieved 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 DOI: https://doi.org/10.1080/07408170600897486

Ladrón de Guevara-Cortés, R., Torra-Porras, S. & Monte-Moreno, E. (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 DOI: https://doi.org/10.13053/cys-23-2-3193

Ladrón de Guevara-Cortés, R., Torra-Porras, S. & Monte-Moreno, E. (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 DOI: https://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 DOI: https://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 DOI: https://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 DOI: 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 DOI: 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 DOI: 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 Graduate 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 DOI: https://doi.org/10.1016/0022-0531(76)90046-6

Sayah, M. (2016). Analyzing and Comparing Basel III Sensitivity Based Approach for the Interest Rate Risk in the Trading Book. Applied Finance and Accounting, 2 (1), p.p. 101-118. https://doi.org/10.11114/afa.v2i1.1300 DOI: https://doi.org/10.11114/afa.v2i1.1300

Scholz, M. (2006a). Approaches to analyzing 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].

Scikit-Learn (2021, July 12). Manifold Learning. https://scikit-learn.org/stable/modules/manifold.html#

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 DOI: 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 DOI: https://doi.org/10.1109/IJCNN.2000.861471

Descargas

Los datos de descargas todavía no están disponibles.

Citado por

Sistema OJS 3 - Metabiblioteca |