Modelado de la Volatilidad del Índice Minero S&P BVL Utilizando Máquinas de Vectores de Soporte y un Modelo GARCH Lineal

Abstract

Este trabajo aborda el desafío crítico de predecir la volatilidad en el mercado financiero, enfocado específicamente en el Índice Minero S&P BVL del sector minero peruano. La dificultad radica en la naturaleza compleja y dinámica de la volatilidad, que presenta desafíos significativos para los inversores y gestores de riesgos en la toma de decisiones informadas y estratégicas. Se propone evaluar la efectividad de un modelo híbrido de Regresión de Vectores de Soporte con Generalized Autoregressive Conditional Heteroskedasticity (SVR-GARCH) que incorpora un kernel lineal, frente a los enfoques convencionales GARCH. Metodológicamente, el estudio utiliza un diseño cuantitativo, recabando y procesando datos históricos diarios a través de la API de Yahoo! Finance con herramientas de programación en Python, abarcando un período desde el 31 de enero de 2014 hasta el 12 de febrero de 2024. Se implementa la prueba de raíz unitaria Dickey-Fuller Aumentada (ADF) para determinar la estacionariedad de la serie temporal. Los hallazgos indican que el modelo SVR-GARCH-Linear propuesto no solo proporciona predicciones más precisas en comparación con los modelos estándar, sino que también demuestra ser robusto frente a las fluctuaciones del mercado y sensibilidades específicas del índice minero. Concluimos que el enfoque híbrido representa una mejora significativa en las herramientas de predicción y gestión de riesgos, con aplicaciones prácticas que podrían extenderse a otros índices y mercados financieros, demostrando la necesidad de incorporar técnicas de aprendizaje automático en la modelización financiera contemporánea.