Ítem
Embargo
The use of machine learning in volatility: a review using K-means
Título de la revista
Autores
Castañeda Torres, Ricard
Fecha
2021-12-05
Directores
Molina Muñoz, Jesús Enrique
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Recientemente, el uso de técnicas de machine learning (ML) en diferentes disciplinas científicas ha experimentado un aumento sin precedentes. Esto, como consecuencia de los avances en computación que han permitido obtener resultados satisfactorios a costos computacionales moderados. El área de las finanzas no ha sido una excepción. En los últimos años, se han publicado numerosos trabajos utilizando técnicas de ML. Sin embargo, uno de los temas con menor número de artículos desarrollados en este contexto, es el de la volatilidad. Este panorama ha cambiado. Datos obtenidos de la base Web of Science muestran que para los años 2001 y 2010 había 2 y 1 artículos asociados con este tema, respectivamente. Sorprendentemente, entre 2019 y 2021 se han publicado 37 manuscritos relacionados con esta temática. El propósito de este artículo, es revisar los trabajos relacionados con las aplicaciones de ML en volatilidad. Para ello, se propone una clasificación de las principales propuestas sobre este tema, acompañada de un análisis estadístico y bibliométrico en el que se utilizan técnicas novedosas como K-means. Los resultados son sugerentes. Aunque la mayoría de los artículos se centran en la predicción de la volatilidad a través de redes neuronales y support vector machines, se evidencia una ausencia de artículos relacionados con transmisión de la volatilidad, calibración de superficies de volatilidad, financiación de proyectos y finanzas corporativas.
Abstract
Recently, the use of machine learning (ML) in scientific disciplines has experienced an unprecedented increase. This, as a consequence of the advances in computing that have allowed the obtaining of satisfactory results at moderate computational costs. Finance has not been an exception. Several works have been published in recent years using ML techniques. However, one of the topics with the least number of developed papers in this context is volatility. This panorama has changed. Data obtained from the Web of Science database show that for the years 2001 and 2010 there were 2 and 1 papers associated with this topic, respectively. Surprisingly, between 2019 and 2021, 37 manuscripts have been published related to this theme. The purpose of this work is to review the Works related to the applications of ML in volatility. For this, a classification of the main proposals on this topic is proposed, accompanied by a statistical and bibliometric analysis in which novel techniques such as K-means are used. The results are suggestive. Although most papers focus on volatility prediction through neural networks and support vector machine, there is a lack of works related to volatility transmission, calibration of volatility surfaces, project finance and corporate finance.
Palabras clave
Análisis bibliométrico , K-means , Literatura financiera , Machine learning , Volatilidad
Keywords
Bibliometric analysis; financial literatura; K-means; Machine learning; Volatility , Bibliometric analysis , Financial literatura , K-means , Machine learning , Volatility
