Un estudio reciente revela un nuevo enfoque para mejorar las predicciones de las fluctuaciones del mercado de valores utilizando homología persistente. Este enfoque mejora la precisión de varios modelos de pronóstico y marca un avance significativo en la integración de la topología y las finanzas.
En un nuevo estudio publicado en The Journal of Finance and Data Science, investigadores de la Escuela de Negocios Internacionales de la Universidad de Ciencias Aplicadas HAN en los Países Bajos presentan la teoría de la dependencia topológica de la cola, un nuevo método para predecir las fluctuaciones del mercado de valores en tiempos turbulentos.
"Esta investigación crea un puente entre el mundo abstracto de la topología y el mundo práctico de las finanzas", dijo Hugo Gobato Souto, único autor del estudio. "Lo realmente emocionante es que esta fusión nos brinda una poderosa herramienta que nos permite comprender y predecir mejor el comportamiento del mercado de valores en tiempos turbulentos".
La diferencia entre la distancia promedio de los rendimientos bursátiles normalizados en dos períodos diferentes se puede utilizar como indicador para predecir períodos de turbulencia financiera definiendo un umbral que se utilizará en períodos normales, ya que la distancia promedio en períodos normales es mayor que en períodos anteriores y turbulentos. Sin embargo, el problema con este enfoque es que la distancia promedio de los rendimientos bursátiles normalizados sufre la maldición de la dimensionalidad y no puede descubrir relaciones complejas y no lineales en los datos. La razón por la que la distancia promedio de los rendimientos de las acciones normalizadas sufre la maldición de la dimensionalidad es que a medida que el número de dimensiones (o acciones en este caso) llega al infinito, la relación entre la distancia desde cualquier punto (digamos A y B) y la distancia desde cualquier otro punto (digamos A y C) se acerca a 1. Por lo tanto, la distancia promedio deja de tener sentido. Por otro lado, la implementación de información de pH a través de especificaciones WD o L^n de paisajes persistentes no sufre estos problemas. Por lo tanto, esta es también la razón por la que la información del pH se ha utilizado con éxito en estudios recientes y por la que se eligió la información del pH para este estudio. La imagen de arriba es un diagrama de dispersión tridimensional del 16 de diciembre de 2019 al 16 de enero de 2020 (período normal).
Mejora de la previsión financiera con homología persistente
Mediante pruebas empíricas, Souto demostró que la adición de información de homología persistente (PH) puede mejorar significativamente la precisión de los modelos no lineales y de redes neuronales en la predicción de las fluctuaciones del mercado de valores en tiempos turbulentos.
Soto añadió: "Estos hallazgos marcan un cambio importante en el campo de la previsión financiera, proporcionando a los inversores, instituciones financieras y economistas herramientas más fiables".
En particular, este método evita la barrera de la dimensionalidad y, por lo tanto, es particularmente adecuado para detectar correlaciones complejas y patrones no lineales que a menudo son indetectables con los métodos tradicionales.
"Es fascinante observar la mejora continua en la precisión de los pronósticos, especialmente durante la crisis de 2020", afirmó Suto.
Amplias implicaciones y direcciones futuras
Estos hallazgos no se limitan a un tipo específico de modelo. Abarca una variedad de modelos, desde modelos lineales hasta no lineales e incluso modelos avanzados de redes neuronales. Estos hallazgos abren la puerta a mejoras en las previsiones financieras en todos los ámbitos.
Soto concluyó: "Estos hallazgos confirman la validez de esta teoría y alientan a la comunidad científica a profundizar en esta nueva e interesante intersección de las matemáticas y las finanzas".
Referencia "Topological Tail Dependence: Evidence for Forecasting Realized Volatility", por Hugo Gobato Souto, 14 de octubre de 2023, Journal of Finance and Data Science.
DOI:10.1016/j.jfds.2023.100107
Fuente compilada: ScitechDaily