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

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 capta...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
eng
OAI Identifier:
oai:repository.urosario.edu.co:10336/44734
Acceso en línea:
https://doi.org/10.48713/10336_44734
https://repository.urosario.edu.co/handle/10336/44734
Palabra clave:
Análisis bibliométrico
Modelos GARCH con conmutación de Markov
Literatura financiera
K-means
Previsión de la volatilidad
Riesgo financiero
Bibliometric analysis
Markov-Switching GARCH models
Financial literature
K-means
Volatility forecasting
Financial risk
Rights
License
Attribution-NonCommercial-ShareAlike 4.0 International
id EDOCUR2_336c783c80694289e6fbb88e1298afea
oai_identifier_str oai:repository.urosario.edu.co:10336/44734
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv Forecasting risk with Markov-Switching GARCH models: a review using K-Means
dc.title.TranslatedTitle.none.fl_str_mv Previsión del riesgo con modelos GARCH de conmutación de Markov: una revisión utilizando K-Means
title Forecasting risk with Markov-Switching GARCH models: a review using K-Means
spellingShingle Forecasting risk with Markov-Switching GARCH models: a review using K-Means
Análisis bibliométrico
Modelos GARCH con conmutación de Markov
Literatura financiera
K-means
Previsión de la volatilidad
Riesgo financiero
Bibliometric analysis
Markov-Switching GARCH models
Financial literature
K-means
Volatility forecasting
Financial risk
title_short Forecasting risk with Markov-Switching GARCH models: a review using K-Means
title_full Forecasting risk with Markov-Switching GARCH models: a review using K-Means
title_fullStr Forecasting risk with Markov-Switching GARCH models: a review using K-Means
title_full_unstemmed Forecasting risk with Markov-Switching GARCH models: a review using K-Means
title_sort Forecasting risk with Markov-Switching GARCH models: a review using K-Means
dc.contributor.advisor.none.fl_str_mv Espinosa Mendez, Juan Carlos
Molina Muñoz, Jesús Enrique
dc.subject.none.fl_str_mv Análisis bibliométrico
Modelos GARCH con conmutación de Markov
Literatura financiera
K-means
Previsión de la volatilidad
Riesgo financiero
topic Análisis bibliométrico
Modelos GARCH con conmutación de Markov
Literatura financiera
K-means
Previsión de la volatilidad
Riesgo financiero
Bibliometric analysis
Markov-Switching GARCH models
Financial literature
K-means
Volatility forecasting
Financial risk
dc.subject.keyword.none.fl_str_mv Bibliometric analysis
Markov-Switching GARCH models
Financial literature
K-means
Volatility forecasting
Financial risk
description 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.
publishDate 2024
dc.date.created.none.fl_str_mv 2024-11-15
dc.date.accessioned.none.fl_str_mv 2025-01-17T20:34:39Z
dc.date.available.none.fl_str_mv 2025-01-17T20:34:39Z
dc.date.embargoEnd.none.fl_str_mv info:eu-repo/date/embargoEnd/2027-01-18
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.spa.none.fl_str_mv Trabajo de grado
dc.identifier.doi.none.fl_str_mv https://doi.org/10.48713/10336_44734
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/44734
url https://doi.org/10.48713/10336_44734
https://repository.urosario.edu.co/handle/10336/44734
dc.language.iso.none.fl_str_mv eng
language eng
dc.rights.*.fl_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_f1cf
dc.rights.acceso.none.fl_str_mv Restringido (Temporalmente bloqueado)
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
Restringido (Temporalmente bloqueado)
http://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_f1cf
dc.format.extent.none.fl_str_mv 33 pp
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad del Rosario
dc.publisher.department.none.fl_str_mv Escuela de Administración
dc.publisher.program.none.fl_str_mv Administración de Negocios Internacionales
publisher.none.fl_str_mv Universidad del Rosario
institution Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv Andersen, 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
Ardia, 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
Aria, M., & Cuccurullo, C. (2024). bibliometrix: Comprehensive Science Mapping Analysis (Versión 4.3.0) [Software]. https://cran.r- project.org/web/packages/bibliometrix/index.html
Barrett, 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
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
Caporale, 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
De 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.
Engle, 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
Harris, R. D. F., & Mazibas, M. (2022). A component Markov regime‐switching autoregressive conditional range model. Bulletin of Economic Research, 74(2), 650- 683.
Klaassen, 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
Lamoureux, 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
Lantz, B. (2019). Machine Learning with R: Expert techniques for predictive modeling. Packt Publishing Ltd.
Maciel, 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
Marcucci, 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
Naeem, 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
Wickham, 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
Xiao, 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.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.none.fl_str_mv reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv https://repository.urosario.edu.co/bitstreams/b1a8c0bd-3198-45fd-bf47-eabf02b6a45c/download
https://repository.urosario.edu.co/bitstreams/abd33380-cdc1-4bd4-be97-658f7bd19939/download
https://repository.urosario.edu.co/bitstreams/5efd0616-be48-4032-9021-9ff00a645ed5/download
https://repository.urosario.edu.co/bitstreams/d7af15ff-e8ae-4609-aa69-ea4215d2ebe6/download
https://repository.urosario.edu.co/bitstreams/22093d3c-d64d-4cd8-8e2e-2f44efcf4c23/download
bitstream.checksum.fl_str_mv 3e8f0d94afa1193eb756c9368ec3a2a6
b2825df9f458e9d5d96ee8b7cd74fde6
5643bfd9bcf29d560eeec56d584edaa9
0f87d374559a9319c7ea27e86198c645
554e9bd6cedc436692388d83c7d2b8e5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1831928264783822848
spelling Espinosa Mendez, Juan Carlosc6642e38-c778-4f78-8a67-87752a2c3480-1Molina Muñoz, Jesús Enrique36eaa433-c7d9-4737-9491-c0b3406c99fa-1Moreno Rozo, María CamilaAdministrador de Negocios InternacionalesPregradoda81c0f3-6039-4e3e-9f56-5ccb3bab7558-12025-01-17T20:34:39Z2025-01-17T20:34:39Z2024-11-15info:eu-repo/date/embargoEnd/2027-01-18El 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.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.33 ppapplication/pdfhttps://doi.org/10.48713/10336_44734https://repository.urosario.edu.co/handle/10336/44734engUniversidad del RosarioEscuela de AdministraciónAdministración de Negocios InternacionalesAttribution-NonCommercial-ShareAlike 4.0 InternationalRestringido (Temporalmente bloqueado)EL 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.http://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_f1cfAndersen, 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/10.2307/2527343Ardia, 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.2018.08.009Aria, M., & Cuccurullo, C. (2024). bibliometrix: Comprehensive Science Mapping Analysis (Versión 4.3.0) [Software]. https://cran.r- project.org/web/packages/bibliometrix/index.htmlBarrett, 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.htmlBollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1Caporale, 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.2018.12.009De 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.Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773Harris, R. D. F., & Mazibas, M. (2022). A component Markov regime‐switching autoregressive conditional range model. Bulletin of Economic Research, 74(2), 650- 683.Klaassen, 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_10Lamoureux, 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/10.2307/1391985Lantz, B. (2019). Machine Learning with R: Expert techniques for predictive modeling. Packt Publishing Ltd.Maciel, 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.2043Marcucci, J. (2005). Forecasting Stock Market Volatility with Regime-Switching GARCH Models. Studies in Nonlinear Dynamics & Econometrics, 9(4). https://doi.org/10.2202/1558-3708.1145Naeem, 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.2019.101497Wickham, 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.htmlXiao, 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.instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAnálisis bibliométricoModelos GARCH con conmutación de MarkovLiteratura financieraK-meansPrevisión de la volatilidadRiesgo financieroBibliometric analysisMarkov-Switching GARCH modelsFinancial literatureK-meansVolatility forecastingFinancial riskForecasting risk with Markov-Switching GARCH models: a review using K-MeansPrevisión del riesgo con modelos GARCH de conmutación de Markov: una revisión utilizando K-MeansbachelorThesisTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de AdministraciónBogotáORIGINALPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdfPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdfapplication/pdf1068010https://repository.urosario.edu.co/bitstreams/b1a8c0bd-3198-45fd-bf47-eabf02b6a45c/download3e8f0d94afa1193eb756c9368ec3a2a6MD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/abd33380-cdc1-4bd4-be97-658f7bd19939/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repository.urosario.edu.co/bitstreams/5efd0616-be48-4032-9021-9ff00a645ed5/download5643bfd9bcf29d560eeec56d584edaa9MD53TEXTPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdf.txtPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdf.txtExtracted texttext/plain43980https://repository.urosario.edu.co/bitstreams/d7af15ff-e8ae-4609-aa69-ea4215d2ebe6/download0f87d374559a9319c7ea27e86198c645MD54THUMBNAILPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdf.jpgPrevision_del_riesgo_con_modelos_GARCH_de_conmutacion_de_Markov_MorenoRozo-MariaCamila-2024.pdf.jpgGenerated Thumbnailimage/jpeg2201https://repository.urosario.edu.co/bitstreams/22093d3c-d64d-4cd8-8e2e-2f44efcf4c23/download554e9bd6cedc436692388d83c7d2b8e5MD5510336/44734oai:repository.urosario.edu.co:10336/447342025-01-20 10:31:57.728http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Publicaciones similares