Abstract
El estudio de la volatilidad condicional es necesario para una correcta valoración del riesgo de los activos financieros (acciones, bonos, índices,...) y productos derivados (futuros y opciones). Una buena predicción de dicha volatilidad es necesaria, por ejemplo, para la diversificación de carteras, valoración de opciones financieras, medidas de riesgo como el VaR,...Por tanto, es necesario construir modelos capaces de estimar dicha volatilidad. Actualmente, los modelos econométricos GARCH son los más utilizados para predecir la volatilidad condicional. En este estudio se ha analizado la volatilidad condicional para el índice bursátil ibex-35 con datos de alta frecuencia, seleccionando un modelo ARMA-EGARCH, dado que recoge las asimetrías existentes en la volatilidad del índice. Por otro lado, las redes neuronales, y en concreto, la red Backpropagation, pueden ser una alternativa para la predicción de la volatilidad. Se ha realizado una comparativa entre el modelo econométrico seleccionado y la red neuronal utilizando las mismas variables en ambas metodologías para que la comparativa sea más equilibrada. Se demuestra que la red obtiene mejores resultados en la predicción de la volatilidad condicional del índice bursátil con datos de alta frecuencia.
