Predicción del mercado de valores
De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda

La predicción del mercado de valores es el acto de intentar determinar el valor futuro de las acciones de una empresa u otro instrumento financiero negociado en una bolsa . La predicción exitosa del precio futuro de una acción podría generar ganancias significativas. La hipótesis del mercado eficiente sugiere que los precios de las acciones reflejan toda la información disponible actualmente y cualquier cambio de precio que no se base en información recientemente revelada es, por lo tanto, intrínsecamente impredecible. Otros no están de acuerdo y aquellos con este punto de vista poseen innumerables métodos y tecnologías que supuestamente les permiten obtener información sobre precios en el futuro.

La hipótesis de los mercados eficientes y el paseo aleatorio

La hipótesis del mercado eficiente postula que los precios de las acciones son una función de la información y las expectativas racionales, y que la información recién revelada sobre las perspectivas de una empresa se refleja casi de inmediato en el precio actual de las acciones. Esto implicaría que toda la información públicamente conocida sobre una empresa, que obviamente incluye su historial de precios, ya estaría reflejada en el precio actual de la acción. En consecuencia, los cambios en el precio de las acciones reflejan la publicación de nueva información, cambios en el mercado en general o movimientos aleatorios alrededor del valor que refleja el conjunto de información existente. Burton Malkiel , en su influyente trabajo de 1973 A Random Walk Down Wall Street, afirmó que, por lo tanto, los precios de las acciones no podían predecirse con precisión al observar el historial de precios. Como resultado, argumentó Malkiel, los precios de las acciones se describen mejor mediante un proceso estadístico llamado "caminata aleatoria", lo que significa que las desviaciones de cada día del valor central son aleatorias e impredecibles. Esto llevó a Malkiel a concluir que pagar a las personas de servicios financieros para predecir el mercado realmente perjudicó, en lugar de ayudar, el rendimiento neto de la cartera. Varias pruebas empíricas respaldan la noción de que la teoría se aplica en general, ya que la mayoría de las carteras administradas por predictores de acciones profesionales no superan el rendimiento promedio del mercado después de tener en cuenta los honorarios de los administradores.

Valor intrínseco

El valor intrínseco (valor real) es el valor percibido o calculado de una empresa, incluidos los factores tangibles e intangibles, mediante análisis fundamental. También se le llama con frecuencia valor fundamental. Se utiliza para comparar con el valor de mercado de la empresa y averiguar si la empresa está infravalorada en el mercado de valores o no. Al calcularlo, el inversor observa los aspectos cualitativos y cuantitativos del negocio. Normalmente se calcula sumando los ingresos futuros descontados generados por el activo para obtener el valor presente.

Métodos de predicción

Las metodologías de predicción se dividen en tres categorías amplias que pueden (y a menudo lo hacen) superponerse. Son análisis fundamental , análisis técnico (gráficos) y métodos tecnológicos.

Análisis fundamental

Los analistas fundamentales se preocupan por la empresa que subyace a las acciones en sí. Evalúan el desempeño pasado de una empresa, así como la credibilidad de sus cuentas . Muchos indicadores de desempeño se crean que la ayuda del analista fundamental de evaluar la validez de una acción, como la relación P / E . Warren Buffett es quizás el más famoso de todos los analistas fundamentales. Utiliza la relación entre la capitalización de mercado y el PIB para indicar el valor relativo del mercado de valores en general, por lo que esta relación se conoce como el " indicador de Buffett ". [1] [2] [3]

Lo que el análisis fundamental en el mercado de valores está tratando de lograr es averiguar el valor real de una acción, que luego se puede comparar con el valor con el que se negocia en los mercados de valores y, por lo tanto, averiguar si las acciones en el mercado están infravaloradas. o no. Se puede averiguar el valor real mediante varios métodos con básicamente el mismo principio. El principio es que una empresa vale todos sus beneficios futuros sumados. Estos beneficios futuros también deben descontarse a su valor presente. Este principio concuerda bien con la teoría de que una empresa se trata de ganancias y nada más.

Contrariamente al análisis técnico, el análisis fundamental se considera más como una estrategia a largo plazo.

El análisis fundamental se basa en la creencia de que la sociedad humana necesita capital para progresar y, si una empresa funciona bien, debe ser recompensada con capital adicional y dar como resultado un aumento en el precio de las acciones. El análisis fundamental es ampliamente utilizado por los administradores de fondos, ya que es el más razonable, objetivo y está hecho a partir de información disponible públicamente, como el análisis de estados financieros.

Otro significado de análisis fundamental va más allá del análisis de empresa de abajo hacia arriba, se refiere al análisis de arriba hacia abajo desde el primer análisis de la economía global, seguido del análisis de país y luego el análisis de sector, y finalmente el análisis a nivel de empresa.

Análisis técnico

Los analistas técnicos o chartistas no se preocupan por ninguno de los fundamentos de la empresa. Buscan determinar el precio futuro de una acción basándose únicamente en las tendencias del precio pasado (una forma de análisis de series de tiempo ). Se emplean numerosos patrones como la cabeza y los hombros o la taza y el platillo. Junto a los patrones, se utilizan técnicas como la media móvil exponencial(EMA), osciladores, niveles de soporte y resistencia o indicadores de impulso y volumen. Los patrones de velas, que se cree que fueron desarrollados por primera vez por los comerciantes de arroz japoneses, son hoy en día ampliamente utilizados por los analistas técnicos. El análisis técnico se utiliza más para estrategias a corto plazo que para estrategias a largo plazo. Y, por lo tanto, es mucho más frecuente en los mercados de divisas y materias primas, donde los operadores se centran en los movimientos de precios a corto plazo. Hay algunos supuestos básicos utilizados en este análisis, primero es que todo lo significativo de una empresa ya tiene un precio en la acción, otro es que el precio se mueve en tendencias y, por último, que la historia (de precios) tiende a repetirse, lo que se debe principalmente a la psicología del mercado.

Aprendizaje automático

Con el advenimiento de la computadora digital , la predicción del mercado de valores se ha trasladado al ámbito tecnológico. La técnica más destacada implica el uso de redes neuronales artificiales (ANN) y algoritmos genéticos (GA). Los estudiosos encontraron que el método de optimización de la quimiotaxis bacteriana puede funcionar mejor que la GA. [4] Las ANN se pueden considerar como aproximadores de funciones matemáticas . La forma más común de ANN que se utiliza para la predicción del mercado de valores es la red de retroalimentación que utiliza el algoritmo de propagación hacia atrás de errores para actualizar los pesos de la red. Estas redes se conocen comúnmente como retropropagación.redes. Otra forma de ANN que es más apropiada para la predicción de existencias es la red neuronal recurrente en el tiempo (RNN) o la red neuronal de retardo en el tiempo (TDNN). Ejemplos de RNN y TDNN son las redes Elman, Jordan y Elman-Jordan. (Consulte las redes Elman y Jordan ).

Para la predicción de stock con ANN, generalmente se adoptan dos enfoques para pronosticar diferentes horizontes de tiempo: independiente y conjunto. El enfoque independiente emplea una única ANN para cada horizonte de tiempo, por ejemplo, 1 día, 2 días o 5 días. La ventaja de este enfoque es que el error de pronóstico de la red para un horizonte no afectará el error para otro horizonte, ya que cada horizonte de tiempo es típicamente un problema único. El enfoque conjunto, sin embargo, incorpora múltiples horizontes de tiempo juntos para que se determinen simultáneamente. En este enfoque, el error de pronóstico para un horizonte temporal puede compartir su error con el de otro horizonte, lo que puede disminuir el rendimiento. También se requieren más parámetros para un modelo conjunto, lo que aumenta el riesgo de sobreajuste.

Últimamente, la mayoría de los grupos de investigación académica que estudian las RNA para la previsión de existencias parecen estar utilizando un conjunto de métodos independientes de RNA con mayor frecuencia y con mayor éxito. Un conjunto de ANN utilizaría precios bajos y retrasos de tiempo para predecir mínimos futuros, mientras que otra red utilizaría máximos retrasados ​​para predecir máximos futuros. Las predicciones bajas y altas previstas se utilizan luego para formar precios límite para comprar o vender. Los resultados de las redes individuales "bajas" y "altas" también se pueden ingresar en una red final que también incorporaría volumen, datos entre mercados o resúmenes estadísticos de precios, lo que conduciría a un resultado conjunto final que desencadenaría compras, ventas o direccionales del mercado. cambiar. Un hallazgo importante con las ANN y la predicción de existencias es que un enfoque de clasificación (vs.aproximación de función) utilizando salidas en forma de compra (y = + 1) y venta (y = -1) da como resultado una mejor fiabilidad predictiva que una salida cuantitativa como precio bajo o alto.[5]

Dado que las NN requieren formación y pueden tener un gran espacio de parámetros; es útil optimizar la red para una capacidad de predicción óptima.

Fuentes de datos para la predicción del mercado

Tobias Preis y col. introdujo un método para identificar los precursores en línea de los movimientos del mercado de valores, utilizando estrategias comerciales basadas en los datos de volumen de búsqueda proporcionados por Google Trends . [6] Su análisis del volumen de búsqueda de Google para 98 términos de diversa relevancia financiera, publicado en Scientific Reports , [7] sugiere que los aumentos en el volumen de búsqueda de términos de búsqueda financieramente relevantes tienden a preceder a las grandes pérdidas en los mercados financieros. [8] [9] [10] [11] [12] [13] [14] [15] De estos términos, tres fueron significativos al nivel del 5% (| z| > 1,96). El mejor término en la dirección negativa fue "deuda", seguido de "color".

En un estudio publicado en Scientific Reports en 2013, [16] Helen Susannah Moat, Tobias Preis y sus colegas demostraron un vínculo entre los cambios en el número de vistas de los artículos de Wikipedia en inglés relacionados con temas financieros y los grandes movimientos posteriores del mercado de valores. [17]

El uso de Text Mining junto con algoritmos de Machine Learning recibió más atención en los últimos años, [18] con el uso de contenido textual de Internet como entrada para predecir cambios de precios en acciones y otros mercados financieros.

El estado de ánimo colectivo de los mensajes de Twitter se ha relacionado con el desempeño del mercado de valores. [19] El estudio, sin embargo, ha sido criticado por su metodología.

La actividad en los foros de mensajes bursátiles se ha extraído para predecir la rentabilidad de los activos. [20] Los titulares empresariales de Yahoo! Finance y Google Finance se utilizaron como fuente de noticias en un proceso de minería de texto , para pronosticar los movimientos del precio de las acciones de Dow Jones Industrial Average . [21]

Mimetismo de mercado

Utilizando nuevas herramientas de análisis estadístico de la teoría de la complejidad , los investigadores del Instituto de Sistemas Complejos de Nueva Inglaterra (NECSI) realizaron investigaciones sobre la predicción de caídas del mercado de valores . [22] [23] [24] Durante mucho tiempo se ha pensado que las caídas del mercado son provocadas por pánicos que pueden o no estar justificados por noticias externas. Esta investigación indica que es la estructura interna del mercado, no las crisis externas, la principal responsable de las caídas. Se demostró que el número de acciones diferentes que suben o bajan juntas es un indicador del mimetismodentro del mercado, cuánto se miran los inversores en busca de pistas. Cuando el mimetismo es alto, muchas acciones siguen los movimientos de las demás, una razón principal para que el pánico se apodere. Se demostró que se produjo un aumento espectacular en la imitación del mercado durante todo el año anterior a cada caída del mercado de los últimos 25 años, incluida la crisis financiera de 2007-08 .

Estructuración de aspectos de series de tiempo

La estructuración de aspectos , también conocida como estructuración de aspectos de Jacaruso (JAS) es un método de pronóstico de tendencias que ha demostrado ser válido para anticipar cambios de tendencia en varios conjuntos de datos de series de tiempo geopolíticas y del mercado de valores. [25] El método aborda el desafío que surge con datos de alta dimensión en los que las variables exógenasson demasiado numerosos o inconmensurables para ser contabilizados y utilizados para hacer un pronóstico. El método identifica la variable única de influencia primaria en la serie de tiempo, o "factor primario", y observa los cambios de tendencia que ocurren durante tiempos de significancia disminuida en dicha variable primaria. Es de suponer que los cambios de tendencia en estos casos se deben en cambio a los denominados "factores de fondo". Aunque este método no puede dilucidar la naturaleza multivariante de los factores de fondo, puede medir los efectos que tienen sobre la serie temporal en un momento dado incluso sin medirlos. Esta observación se puede utilizar para hacer un pronóstico.

Notas

  1. ^ "Indicador de Buffett: ¿Dónde estamos con las valoraciones de mercado?" .
  2. ^ Mislinski, Jill (3 de marzo de 2020). "Capitalización de mercado al PIB: una mirada actualizada al indicador de valoración de Buffett" . www.advisorperspectives.com . Archivado desde el original el 14 de marzo de 2020. Es probablemente la mejor medida individual de dónde se encuentran las valoraciones en un momento dado.
  3. ^ "Warren Buffett en el mercado de valores ¿Qué hay en el futuro para los inversores: otro mercado alcista rugiente o más malestar estomacal? Sorprendentemente, la respuesta puede reducirse a tres factores simples. Aquí, el inversor más célebre del mundo habla sobre lo que realmente hace que el tic del mercado - y si ese tic debería ponerlo nervioso. - 10 de diciembre de 2001 " . archive.fortune.com . Revista Fortune . 2001. Archivado desde el original el 8 de marzo de 2020.
  4. ^ Zhang, Y .; Wu, L. (2009). "Predicción del mercado de valores de S&P 500 a través de la combinación de enfoque BCO mejorado y red neuronal BP". Sistemas expertos con aplicaciones . 36 (5): 8849–8854. doi : 10.1016 / j.eswa.2008.11.028 .
  5. ^ Thawornwong, S, Enke, D. Pronóstico de la rentabilidad de las acciones con redes neuronales artificiales, Cap. 3. En: Neural Networks in Business Forecasting, Editor: Zhang, GP IRM Press, 2004.
  6. ^ Philip Ball (26 de abril de 2013). "El recuento de búsquedas de Google predice los movimientos del mercado" . Naturaleza . doi : 10.1038 / nature.2013.12879 . Consultado el 10 de agosto de 2013 .
  7. ^ Tobias Preis , Helen Susannah Moat y H. Eugene Stanley (2013). "Cuantificación del comportamiento comercial en los mercados financieros mediante Google Trends" . Informes científicos . 3 : 1684. doi : 10.1038 / srep01684 . PMC 3635219 . PMID 23619126 .  
  8. ^ Nick Bilton (26 de abril de 2013). "Los términos de búsqueda de Google pueden predecir el mercado de valores, resultados del estudio" . New York Times . Consultado el 10 de agosto de 2013 .
  9. ^ Christopher Matthews (26 de abril de 2013). "¿Problemas con su cartera de inversiones? ¡Búsquelo en Google!" . Revista TIME . Consultado el 10 de agosto de 2013 .
  10. ^ Philip Ball (26 de abril de 2013). "El recuento de búsquedas de Google predice los movimientos del mercado" . Naturaleza . doi : 10.1038 / nature.2013.12879 . Consultado el 10 de agosto de 2013 .
  11. ^ Bernhard Warner (25 de abril de 2013). " Los investigadores de ' Big Data' recurren a Google para ganarle a los mercados" . Bloomberg Businessweek . Consultado el 10 de agosto de 2013 .
  12. ^ Hamish McRae (28 de abril de 2013). "Hamish McRae: ¿Necesita un manejo valioso del sentimiento de los inversores? Búsquelo en Google" . The Independent . Consultado el 10 de agosto de 2013 .
  13. ^ Richard Waters (25 de abril de 2013). "La búsqueda de Google demuestra ser una palabra nueva en la predicción del mercado de valores" . Financial Times . Consultado el 10 de agosto de 2013 .
  14. ^ David Leinweber (26 de abril de 2013). "Big Data se hace más grande: ahora las tendencias de Google pueden predecir el mercado" . Forbes . Consultado el 10 de agosto de 2013 .
  15. ^ Jason Palmer (25 de abril de 2013). "Las búsquedas de Google predicen los movimientos del mercado" . BBC . Consultado el 9 de agosto de 2013 .
  16. ^ Helen Susannah Moat, Chester Curme, Adam Avakian, Dror Y. Kenett, H. Eugene Stanley y Tobias Preis (2013). "Cuantificar los patrones de uso de Wikipedia antes de que se mueva el mercado de valores" . Informes científicos . 3 : 1801. doi : 10.1038 / srep01801 . PMC 3647164 . CS1 maint: varios nombres: lista de autores ( enlace )
  17. ^ "Bola de cristal de Wikipedia" . Financial Times . 10 de mayo de 2013 . Consultado el 10 de agosto de 2013 .
  18. ^ Khadjeh Nassirtoussi, Arman; Aghabozorgi, Saeed; Ying Wah, Teh; Ngo, David Chek Ling (15 de noviembre de 2014). "Minería de texto para la predicción del mercado: una revisión sistemática". Sistemas expertos con aplicaciones . 41 (16): 7653–7670. doi : 10.1016 / j.eswa.2014.06.009 .
  19. ^ Bollen, Johan; Huina, Mao; Zeng, Xiao-Jun. "El estado de ánimo de Twitter predice el mercado de valores ". Universidad de Cornell . 14 de octubre de 2010. Consultado el 7 de noviembre de 2013.
  20. ↑ Ramiro H. Gálvez; Agustín Gravano (2017). "Evaluación de la utilidad de la minería de tableros de mensajes en línea en sistemas automáticos de predicción de stock". Revista de Ciencias Computacionales . 19 : 1877–7503. doi : 10.1016 / j.jocs.2017.01.001 .
  21. ^ Beckmann, M. (24 de enero de 2017). Tesis doctoral: predicción de cambios en el precio de las acciones mediante la minería de textos de noticias. COPPE / Universidad Federal de Río de Janeiro
  22. ^ Harmon D, Lagi M, de Aguiar MAM, Chinellato DD, Braha D, Epstein IR, Bar-Yam Y. (2015). "Anticipar las crisis económicas del mercado mediante medidas de pánico colectivo". PLoS ONE 10 (7): e0131871.doi: 10.1371 / journal.pone.0131871.
  23. ^ D. Harmon, M. de Aguiar, D. Chinellato, D. Braha, I. Epstein, Y. Bar-Yam. 2011. "Predecir las crisis económicas del mercado utilizando medidas de pánico colectivo". arXiv: 1102.2620v1. http://necsi.edu/research/economics/economicpanic.html
  24. ^ Brandon Keim. (2011). "Posible señal de alerta temprana para caídas del mercado". Con cable, 18.03.11. https://www.wired.com/2011/03/market-panic-signs/
  25. ↑ Jacaruso, Lucas Cassiel (8 de diciembre de 2018). "Un método de pronóstico de tendencias para datos financieros y geopolíticos: inferir los efectos de variables exógenas desconocidas" . Revista de Big Data . 5 (1): 47. doi : 10.1186 / s40537-018-0160-5 . ISSN 2196-1115 . 

Referencias

  • Graham, B. El inversor inteligente HarperCollins; Edición Rev Ed, 2003.
  • Lo, AW y Mackinlay, AC A Caminata no aleatoria por Wall Street 5th Ed. Prensa de la Universidad de Princeton, 2002.
  • Azoff, predicción de series de tiempo de redes neuronales de EM de los mercados financieros John Wiley and Sons Ltd, 1994.
  • Christoffersen, PF y FX Diebold. Rendimientos de activos financieros, pronóstico de dirección de cambio y dinámica de volatilidad . Management Science, 2006. 52 (8): pág. 1273-1287
Obtenido de " https://en.wikipedia.org/w/index.php?title=Stock_market_prediction&oldid=1033847774 "
Contribute a better translation