Ítem
Embargo
Forecasting risk with Markov-Switching GARCH models: a review using K-Means
Título de la revista
Autores
Moreno Rozo, María Camila
Fecha
2024-11-15
Directores
Espinosa Méndez, Juan Carlos
Molina Muñoz, Jesús Enrique
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El desarrollo de los modelos de Heteroscedasticidad Condicional Autorregresiva Generalizada con Conmutación de Markov surgió como respuesta a las limitaciones de los modelos tradicionales de Heteroscedasticidad Condicional Autorregresiva Generalizada, especialmente debido a su incapacidad para captar patrones no lineales y cambios de régimen en la volatilidad financiera. Debido a la creciente incertidumbre en la dinámica del mercado, los modelos de Heteroscedasticidad Condicional Autorregresiva Generalizada con Conmutación de Markov se han convertido en un marco adecuado para la previsión de la volatilidad. Datos obtenidos de Web of Science revelan que desde 2016, la producción científica de este modelo de aplicación ha ido en aumento, haciendo de 2021 el año con mayor número de publicaciones alcanzando un total de 18 trabajos. Subrayando así la importancia creciente de este modelo metodológico. El propósito de este estudio es revisar las aplicaciones de los modelos de Heteroskedasticidad Condicional Autorregresiva Generalizada con Conmutación de Markov en la previsión de riesgos financieros mediante un enfoque narrativo. Se utilizarán análisis estadísticos y bibliométricos para respaldar las conclusiones. Este trabajo también incluye el uso de la agrupación de K-means para identificar tendencias conceptuales. Los resultados indican que, aunque se hace mucho énfasis en la previsión de la volatilidad, sigue habiendo algunas lagunas en áreas relacionadas con los desbordamientos de la volatilidad, las crisis financieras, los co-movimientos y el estudio de la volatilidad dentro de los mercados emergentes. Estos resultados confirman la importancia clave de los modelos de Heteroskedasticidad Condicional Autorregresiva Generalizada con Conmutación de Markov para la gestión del riesgo financiero, al tiempo que ponen de relieve importantes oportunidades para la investigación futura en áreas poco exploradas.
Abstract
The development of Markov-Switching Generalized Autoregressive Conditional Heteroskedasticity models arose in response to the limitations of traditional Generalized Autoregressive Conditional Heteroskedasticity models, especially due to their inability to capture nonlinear patterns and regime shifts in financial volatility. Due to the increasing uncertainty in market dynamics, Markov-Switching Generalized Autoregressive Conditional Heteroskedasticity models have become a suitable framework for volatility forecasting. Data obtained from Web of Science reveal that since 2016, the scientific production of this application model has been increasing, making 2021 the year with the highest number of publications reaching a total of 18 papers. Hence, underling the rising importance of this methodological model. The purpose of this study is to review the applications of Markov- Switching Generalized Autoregressive Conditional Heteroskedasticity models in financial risks forecasting through a narrative approach. A statistical and bibliometric analyses will be used to support the findings. This paper also includes the use of K-means clustering to identify conceptual trends. The results indicate that, although there is a strong emphasis on volatility forecasting, there are still some gaps in areas related to volatility spillovers, financial crises, co-movements, and the study of volatility within emerging markets. These findings confirm the key importance role of Markov-Switching Generalized Autoregressive Conditional Heteroskedasticity models for financial risk management, while highlighting important opportunities for future research in underexplored areas.
Palabras clave
Análisis bibliométrico , Modelos GARCH con conmutación de Markov , Literatura financiera , K-means , Previsión de la volatilidad , Riesgo financiero
Keywords
Bibliometric analysis , Markov-Switching GARCH models , Financial literature , K-means , Volatility forecasting , Financial risk
