Ítem
Embargo

Forecasting risk with Markov-Switching GARCH models: a review using K-Means

Mostrar el registro sencillo de la publicación
dc.contributor.advisorEspinosa Méndez, Juan Carlos
dc.contributor.advisorMolina Muñoz, Jesús Enrique
dc.creatorMoreno Rozo, María Camila
dc.creator.degreeAdministrador de Negocios Internacionales
dc.creator.degreeLevelPregrado
dc.date.accessioned2025-01-17T20:34:39Z
dc.date.available2025-01-17T20:34:39Z
dc.date.created2024-11-15
dc.date.embargoEndinfo:eu-repo/date/embargoEnd/2027-01-18
dc.descriptionEl 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.
dc.description.abstractThe 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.
dc.format.extent33 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_44734
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/44734
dc.language.isoeng
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.programAdministración de Negocios Internacionales
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.accesoRestringido (Temporalmente bloqueado)
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationAndersen, T. G., & Bollerslev, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models do Provide Accurate Forecasts. International Economic Review, 39(4), 885- 905. https://doi.org/10.2307/2527343
dc.source.bibliographicCitationArdia, D., Bluteau, K., & Rüede, M. (2019). Regime changes in Bitcoin GARCH volatility dynamics. Finance Research Letters, 29, 266-271. https://doi.org/10.1016/j.frl.2018.08.009
dc.source.bibliographicCitationAria, M., & Cuccurullo, C. (2024). bibliometrix: Comprehensive Science Mapping Analysis (Versión 4.3.0) [Software]. https://cran.r- project.org/web/packages/bibliometrix/index.html
dc.source.bibliographicCitationBarrett, T., Dowle, M., Srinivasan, A., Gorecki, J., Chirico, M., Hocking, T., Schwendinger, B., Stetsenko, P., Short, T., Lianoglou, S., Antonyan, E., Bonsch, M., Parsonage, H., Ritchie, S., Ren, K., Tan, X., Saporta, R., Seiskari, O., Dong, X., ... Krylov, I. (2024). data.table: Extension of «data.frame» (Versión 1.16.2) [Software]. https://cran.r-project.org/web/packages/data.table/index.html
dc.source.bibliographicCitationBollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
dc.source.bibliographicCitationCaporale, G. M., & Zekokh, T. (2019). Modelling volatility of cryptocurrencies using Markov-Switching GARCH models. Research in International Business and Finance, 48, 143-155. https://doi.org/10.1016/j.ribaf.2018.12.009
dc.source.bibliographicCitationDe la Torre-Torres, O. V., Galeana-Figueroa, E., Del Río-Rama, M. de la C., & Álvarez- García, J. (2022). Using Markov-Switching Models in US Stocks Optimal Portfolio Selection in a Black–Litterman Context (Part 1). Mathematics, 10(8), 1-28.
dc.source.bibliographicCitationEngle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
dc.source.bibliographicCitationHarris, R. D. F., & Mazibas, M. (2022). A component Markov regime‐switching autoregressive conditional range model. Bulletin of Economic Research, 74(2), 650- 683.
dc.source.bibliographicCitationKlaassen, F. (2002). Improving GARCH volatility forecasts with regime-switching GARCH. En J. D. Hamilton & B. Raj (Eds.), Advances in Markov-Switching Models (pp. 223-254). Physica-Verlag HD. https://doi.org/10.1007/978-3-642- 51182-0_10
dc.source.bibliographicCitationLamoureux, C. G., & Lastrapes, W. D. (1990). Persistence in Variance, Structural Change, and the GARCH Model. Journal of Business & Economic Statistics, 8(2), 225-234. https://doi.org/10.2307/1391985
dc.source.bibliographicCitationLantz, B. (2019). Machine Learning with R: Expert techniques for predictive modeling. Packt Publishing Ltd.
dc.source.bibliographicCitationMaciel, L. (2021). Cryptocurrencies value-at-risk and expected shortfall: Do regime- switching volatility models improve forecasting? International Journal of Finance & Economics, 26(3), 4840-4855. https://doi.org/10.1002/ijfe.2043
dc.source.bibliographicCitationMarcucci, J. (2005). Forecasting Stock Market Volatility with Regime-Switching GARCH Models. Studies in Nonlinear Dynamics & Econometrics, 9(4). https://doi.org/10.2202/1558-3708.1145
dc.source.bibliographicCitationNaeem, M., Tiwari, A. K., Mubashra, S., & Shahbaz, M. (2019). Modeling volatility of precious metals markets by using regime-switching GARCH models. Resources Policy, 64, 101497. https://doi.org/10.1016/j.resourpol.2019.101497
dc.source.bibliographicCitationWickham, H., François, R., Henry, L., Müller, K., Vaughan, D., Software, P., & PBC. (2023). dplyr: A Grammar of Data Manipulation (Versión 1.1.4) [Software]. https://cran.r-project.org/web/packages/dplyr/index.html
dc.source.bibliographicCitationXiao, Y. (2020). Forecasting extreme risk using regime-switching GARCH models: A case from an energy commodity. International Journal of Emerging Markets, 16(8), 1556-1582.
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectAnálisis bibliométrico
dc.subjectModelos GARCH con conmutación de Markov
dc.subjectLiteratura financiera
dc.subjectK-means
dc.subjectPrevisión de la volatilidad
dc.subjectRiesgo financiero
dc.subject.keywordBibliometric analysis
dc.subject.keywordMarkov-Switching GARCH models
dc.subject.keywordFinancial literature
dc.subject.keywordK-means
dc.subject.keywordVolatility forecasting
dc.subject.keywordFinancial risk
dc.titleForecasting risk with Markov-Switching GARCH models: a review using K-Means
dc.title.TranslatedTitlePrevisión del riesgo con modelos GARCH de conmutación de Markov: una revisión utilizando K-Means
dc.typebachelorThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportEscuela de Administración
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Prevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdf
Tamaño:
1.02 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Pregrado en Administración de Negocios Internacionales