Implementación de SVR-GARCH en la gestión del riesgo en pequeñas y medianas empresas

Abstract

La gestión de riesgos financieros es esencial para todas las empresas. Una de las variables fundamentales para la gestión del riesgo es la volatilidad, que tradicionalmente se ha modelado mediante los modelos ARCH (Modelos Autorregresivos de Heteroscedasticidad Condicionada) y GARCH (Modelos Generalizados de Heteroscedasticidad Condicionada). Sin embargos, estos métodos presentan limitaciones debido a ciertos aspectos y se necesitan nuevos métodos para el modelaje. Por tanto, en este estudio se introduce el uso del modelo SVR-GARCH (Maquinas de Soporte Vectorial con Generalización de Modelos Autorregresivos de Heteroscedasticidad Condicionada) como una alternativa para modelar la volatilidad de los mercados. Se integra entonces el modelo SVR-GARCH en la teoría de Black-Scholes descrita por Black et al. (1973) para la cobertura de riesgos y valoración de opciones, mediante la predicción de la volatilidad. De la misma manera se incorporará esta misma predicción gracias al modelo SVR-GARCH en la Teoría de la Cartera moderna de Elton (1995), que mejora la Teoría de Markowitz descrita por Markowitz (1952). Con esto se busca mejorar significativamente la efectividad y eficiencia en la gestión del riesgo mediante la predicción de la volatilidad futura de activos financieros que en este estudio serán ETF (Exchange Traded Funds) debido a que son herramientas financieras que hacen un seguimiento a una amplia variedad de mercados, monedas, sectores… Estos hallazgos podrán servir de ayuda para los responsables de la toma de decisiones de pequeñas y medianas empresas (PYMES), proporcionándoles una metodología más precisa y fiable para la valoración de riesgos y la optimización de una cartera con activos que sigan en mercado al que pertenece la empresa que se quiera gestionar. Palabras Clave: machine learning, cobertura de riesgo, pymes, volatilidad, SVR-GARCH, GARCH, ARCH, Markowitz, teoría de cartera moderna, Black-Scholes, riesgo, ETF-

Financial risk management is essential for all companies. One of the key variables for risk management is volatility, which has traditionally been modelled using ARCH (Autoregressive Conditional Heteroscedasticity Models) and GARCH (Generalised Conditional Heteroscedasticity Models) models. However, these methods have limitations due to certain aspects and new methods for modelling are needed. Therefore, in this study, the use of the SVR-GARCH (Support Vector Machines with Generalisation of Conditional Heteroscedasticity Autoregressive Models) model is introduced as an alternative for modelling market volatility. The SVR-GARCH model is then integrated into the Black-Scholes theory described by Black et al. (1973) for risk hedging and option pricing, by predicting volatility. In the same way, this same prediction will be incorporated thanks to the SVR-GARCH model in the modern Portfolio Theory of Elton (1995), which improves the Markowitz Theory described by Markowitz (1952). This seeks to significantly improve the effectiveness and efficiency of risk management by predicting the future volatility of financial assets, which in this study will be ETFs (Exchange Traded Funds) because they are financial tools that track a wide variety of markets, currencies, sectors, etc.... These findings may help decision-makers of small and medium-sized enterprises (SMEs), providing them with a more accurate and reliable methodology for risk assessment and the optimisation of a portfolio with assets that follow the market to which the company to be managed belongs. Keywords: machine learning, risk hedging, SMEs, volatility, SVR-GARCH, GARCH, ARCH, Markowitz, modern portfolio theory, Black-Scholes, risk, ETFs.