Modelos de aprendizaje automático y de volatilidad condicional en la predicción de la volatilidad del Índice S&P/BVL Peru General

Objetivo: Evaluar la eficacia de los modelos de aprendizaje profundo y sus extensiones con los modelos de volatilidad condicional en la predicción de la volatilidad del Índice S&P/BVL Peru General. Métodos: El estudio adoptó un diseño no experimental, transversal y analítico para prever la volatilidad del Índice S&P/BVL Peru General, analizando 5807 datos desde el 3 de enero de 2000 hasta el 16 de octubre de 2023. Los datos históricos del Índice fueron procesados utilizando técnicas computacionales en Python. Se realizaron pruebas estadísticas como la prueba aumentada de Dickey-Fuller y la prueba de Jarque-Bera. Para lograr la estacionariedad de los datos, fue necesario aplicar diferenciaciones después de las pruebas de raíz unitaria. Se comparó la precisión de los modelos mediante pruebas de Diebold-Mariano y de Rango Signado de Wilcoxon. Resultados: Los modelos GJR-GARCH, SVR con kernel lineal y redes neuronales demostraron un rendimiento superior en términos de menor MSE, destacándose especialmente el SVR con un MAE de 0.00049. Conclusión: Los modelos GJR-GARCH y SVR con kernel lineal son altamente efectivos para predecir la volatilidad del Índice, recomendándose su implementación en estrategias de gestión de riesgos.