Aplicación de redes neuronales y algoritmos geneticos para predecir la apreciación o depreciación de los tipos de cambio : evidencias para el real brasileño y nuevo sol peruano

Tesis para Optar al Grado de Magíster en FinanzasDebido a su importancia en la actividad económica internacional, la anticipación de la dinámica de los tipos de cambio ha sido un objetivo recurrente en el ámbito financiero durante los últimos tiempos. A pesar de los esfuerzos realizados y constatado en numerosos trabajos empíricos, no se han obtenido claras evidencias de predictibilidad. Según la mayoría de los trabajos empíricos, el modelo matemático que mejor describe el comportamiento de los precios de activos en los mercados financieros y de divisas, es el paseo aleatorio (random walk). Esta especificación establece que la tasa de variación de los precios de estos activos se comportará como una variable aleatoria normal, independiente e idénticamente distribuida (i.i.d.N), es decir, los precios de los activos son generados a partir de cierto tipo de proceso estocástico. En el análisis de los tipos de cambio, uno de los argumentos esgrimidos para la elección de este proceso es que la mejor predicción para el tipo de cambio de mañana, es el tipo de cambio de hoy, lo que indica que la expectativa condicional, dados sus valores pasados, es nula. Si a esto, le agregamos la hipótesis de mercados eficientes (Fama, 1970) que plantea que los mercados reflejan de forma completa y correcta toda la información relevante para la determinación de los precios de los activos y que toda nueva información que surja es de carácter aleatorio, por lo tanto, determina que los variaciones de los precios de los activos también los sean, estaríamos ante un escenario donde existiría nula o muy poca capacidad predictiva. Sin embargo, varios estudios han concluido que existe evidencia significativa de que los precios de los activos financieros no siguen un camino aleatorio, demostrando que los retornos son predecibles en algún grado. Por ejemplo, Lo & MacKinlay (1988), empleando datos de mercados bursátiles desarrollados tales como EE.UU., Europa Occidental y Japón, registraron una correlación serial positiva entre los retornos semanales; Conrad & Kaul (1988, 1989) encontraron evidencia de predictibilidad de los retornos en el corto plazo; DeBondt & Thaler (1985), Fama & French (1988), Poterba & Summers (1988) y Chopra, Lakonishok & Ritter (1992), hallaron una correlación serial negativa en los retornos de los activos individuales y varios portfolios sobre intervalos de tres a diez años, en el largo plazo; Jegadeesh (1990), examinó la predictibilidad de los retornos mensuales sobre activos individuales y encontró una correlación serial negativa de primer orden altamente significativa para rezagos de dos meses y una correlación serial positiva para rezagos mayores; Blume, Easley & O´Hara (1994) presentaron un modelo que sugiere que existe una relación significativa entre los rezagos del volumen transado y los retornos actuales de los activos individuales. Para el mercado de divisas, recientes investigaciones empíricas y teóricas soportan la idea de la existencia de un comportamiento determinista no lineal en la evolución mostrada por los tipos de cambio (Hsieh, 1989; Brooks, 1996). La presencia de estás dinámicas no lineales podría implicar la posibilidad de explotarlas para realizar predicciones más precisas que aquellas otras proporcionadas por modelos lineales estocásticos. En este sentido estudios realizados por Fernández – Rodríguez y Sosvilla – Rivero (1998) proveen evidencias a favor de la predicción no lineal de los tipos de cambio. Los trabajos de Takens (1981) y Casdagli (1989), entre otros, han establecido diversas metodologías para la modelización no lineal de series temporales. En los últimos años se observa una mayor intensidad en el uso de redes neuronales (Kuan and Liu, 1995; Tenti, 1996; Yao et al., 1997; Zang & Hu, 1998; Hu et al., 1999; Yao & Tan, 2000; Walzack, 2001). De forma más reciente se ha empleado programación de algoritmos genéticos para la predicción de tipos de cambio (Alvarez-Díaz y Alvarez, 2002) En este estudio se analiza la aplicación de redes neuronales y algoritmos genéticos para predecir la dinámica de apreciación o depreciación (cambio de signo) del tipo de cambio semanal del nuevo sol peruano y real brasileño respecto al dólar americano. La principal motivación de realizar esta investigación se centra en que las divisas, están tomando cada vez mayor importancia para los inversionistas y traders, que van desde ser una herramienta de diversificación de portfolios, para cubrir riesgos por exposición de otros activos o simplemente para aprovechar oportunidades que brinda este mercado por volatilidad y liquidez. El estudio está estructurado en 6 secciones. Después de esta sección introductoria se presentan los objetivos generales y específicos que se buscan en el presente estudio. En la sección 3, se describen y comentan las políticas monetarias de las economías de Perú y Brasil así como una breve recopilación de las principales teorías económicas que estudian la paridad en los tipos de cambio y regímenes cambiarios. En la sección 4, se detallan la metodología y datos utilizados: muestra de datos, variables o inputs utilizados, explicación de los modelos multivariados, de redes neuronales y de algoritmos genéticos; y la evaluación de la capacidad predictiva y significancia estadística de cada modelo. En la sección 5, se hace un exhaustivo análisis de los resultados de los modelos aplicados. El estudio finaliza con una sección dedicada a las conclusione