Análisis de anomalías de mercado usando Machine Learning: un caso de la Bolsa Mexicana de Valores, BMV, 2000-2020

Resumen

El presente trabajo tiene la finalidad de analizar la presencia de anomalías en el mercado de valores mexicano; particularmente, se concentra en determinar empíricamente el desempeño de un conjunto reducido: momentum, volatilidad, reversión a la media y efecto enero, fin de mes y fin de semana. Se proponen nuevos criterios de cálculo de las anomalías a partir de los movimientos de los precios con el objetivo de revisar sus efectos en los rendimientos, en contraste con el mercado para el periodo de 2000 a 2020. El estudio muestra los resultados en términos de rendimientos a partir de la identificación de una anomalía en comparados con los promedios del principal índice del país: el S&P IPC (Índice de Precios y Cotizaciones), y es la serie de precios a analizar. Se utilizan metodologías de machine learning (Regresión logística, Perceptrón multicapa, MLP), Máquinas de soporte vectorial optimizada (SMO) y Método Logit) para analizar los modelos y los resultados se evalúan con datos dentro y fuera de la muestra (validación cruzada y partición de dos tercios para entrenar y restante para probar). Los resultados muestran que el momentum tiene mayor presencia, dado el comportamiento del índice, y reversión a la media y volatilidad son menos ocurrentes; el efecto enero presenta porcentajes ligeramente inferiores a los del momentum.

Abstract

The purpose of this paper is to analyze the presence of anomalies in the Mexican stock market; in particular, it focuses on empirically determining the performance of a reduced set: momentum, volatility, mean reversion, and January, month-end, and weekend effects. New criteria for calculating anomalies based on price movements are proposed with the aim of reviewing their effects on returns, in contrast to the market for the period from 2000 to 2020. The study shows the results in terms of returns from the identification of an anomaly in comparison to the averages of the country’s main index: the S&P IPC (Index of Prices and Quotations), and it is the series of prices to be analyzed. Machine learning methodologies (Logistic Regression, Multilayer Perceptron (MLP), Support Vector Optimized Machines (SMO) and Logit Method) are used to analyze the models and the results are evaluated with data inside and outside the sample (cross-validation and partition). two-thirds to train and remaining to test). The results show that momentum has a greater presence, given the behavior of the index, and mean reversion and volatility are less frequent; the January effect presents percentages slightly lower than those of momentum.