El difícil control de las operaciones bursátiles, supone la existencia de cierto riesgo originado por la variabilidad en las transacciones financieras, generando mayores condiciones de incertidumbre, particularmente en las operaciones predominantes en los mercados bursátiles, como es la compra y venta de acciones, que generan fuertes movimientos en las economías, particularmente por el efecto que producen estas transacciones en los mercados.
Por ello, esta investigación proporciona un aporte original en los estudios sobre la medición del riesgo en el mercado bursátil mexicano, presentando un nuevo modelo de medición del riesgo de mercado de las principales acciones que han cotizado en la Bolsa Mexicana de Valores (BMV) desde el 2004 hasta el 2009, con la implementación de una Red Neuronal Artificial Clasificadora (RNA).
Este trabajo se enfoca en las acciones más activas, es decir, las que se compran y venden en mayor cuantía cada trimestre por los agentes económicos en México, cuya sensibilidad al riesgo de mercado mexicano está representada por la beta del Índice de Precios y Cotizaciones (IPyC), calculada sobre métodos estadísticos como el análisis de regresión y técnicas tradicionales tales como el análisis fundamental y el análisis técnico.
Por lo tanto, al ser la beta del IPyC un indicador representativo del grado de riesgo del mercado mexicano, las acciones de las empresas muestra deberán seguir la tendencia o el comportamiento de la beta del IPyC, por lo que, el aporte adicional de esta investigación es que se clasifica el grado de riesgo de las empresas más activas con respecto a su beta en tres clases: alto, medio y bajo riesgo con la utilización de una RNA.
En el estudio sólo se tomaron en cuenta las 16 acciones de las empresas más activas que cotizaron en la BMV del 2004 al 2009, considerando la tendencia actual de los mercados bursátiles que se han visto afectados por recurrentes crisis financieras, afectando su bursatilidad y rentabilidad. Por lo que, para el ajuste y la medición del grado de riesgo sistémico, se utilizaron tres escalas de clasificación: riesgo alto, medio y bajo, para posteriormente comparar los resultados de la red con la de las ECR´s, poniendo a prueba una nueva metodología en el aprendizaje de la teoría financiera de los mercados.
La clasificación del grado de riesgo del mercado accionario mexicano, se representó mediante un algoritmo sencillo de red neuronal artificial alimentada hacia adelante (feedforward) comúnmente empleada en la literatura en problemas de clasificación. El proceso de alimentación de la red, considerado como la fase operativa y experimental del trabajo de investigación, se dividió en dos etapas.
En la primera etapa experimental, se utilizan como variables de entrada para alimentar la red, las que se señalan en la hipótesis nula (Ho) obteniendo un porcentaje de clasificación menor al 50%; por lo que, al obtener un resultado tan bajo en los subconjuntos de entrenamiento y prueba de la red, estas variables se descartaron y se inicia una nueva etapa experimental.
En la segunda etapa, como se rechaza la hipótesis nula, se establece la hipótesis alternativa (H1) teniendo como variables de entrada para alimentar a la red, las que componen el Modelo de Valoración de Activos de Capital, por sus siglas en inglés CAPM.
Para fines de este trabajo, la tasa libre de riesgo en México está representada por la tasa CETES a 91 días, mientras que la prima de riesgo del mercado fue calculada con el diferencial de ambas tasas (el rendimiento accionario y la tasa libre de riesgo). Con la introducción de estas variables se logró un porcentaje de clasificación superior al 75% en los conjuntos de entrenamiento y prueba de la red, por lo que el resultado se consideró óptimo, para efectos de este tipo de investigación de carácter experimental.
En cuanto a las variables de salida, cada observación fue etiquetada empleando el valor de su beta, considerada como el indicador de referencia para determinar el intervalo de etiquetamiento, para que las observaciones etiquetadas se balancearan, es decir, existiera el mismo número de observaciones para cada etiqueta, la cual representa una clase: baja, media o alta dependiendo del grado de riesgo de mercado y de común acuerdo con el criterio tomado por las principales ECR´s en México, tales como: Standard & Poors, Moodys y Fitch Ratings.
La contribución de la presente tesis doctoral en el mundo financiero y bursátil se basa en que el modelo aplicado propone una nueva metodología para ajustar la medición del riesgo del mercado de las acciones más volátiles que cotizan en la BMV, utilizando un algoritmo de la inteligencia artificial dentro de los cuales se encuentran las redes neuronales artificiales de tipo clasificador.
En base a lo anterior, esta investigación doctoral muestra que en los mercados financieros, este prototipo aún no ha sido utilizado en otros trabajos de investigación para medir el riesgo de mercado, ya que no existe una aplicación práctica que aborde la medición y clasificación del riesgo sistémico utilizando una RNA clasificadora, debido a que las investigaciones realizadas en el país que han aplicado redes neurales artificiales en forma conjunta con otros modelos, han sido trabajos sobre pronósticos para la calificación crediticia.
Finalmente, como la investigación es experimental, al probarse la hipótesis de trabajo o alternativa, se deduce que si se aplica esta metodología incluyendo otras variables tanto cualitativas como cuantitativas tal como lo hacen las ECR´s, los resultados del ajuste a la medición del riesgo de mercado mexicano podrán ser mucho más acertados, facilitando una mejor y adecuada toma de decisiones, aportando un mayor control y equilibrio en el manejo del riesgo que se asume en las operaciones bursátiles, otorgando un mayor grado de certidumbre y confianza a los participantes del mercado que negocian títulos de renta variable.