Filtro de observaciones anómalas para la calibración de estructuras temporales de tasas : el caso del mercado bursátil argentino

Abstract

Las investigaciones sobre filtros para información de mercado como paso previo a la construcción de un modelo de tasas de interés son escasas y no se realizó ninguna utilizando K-means. El estudio se realizó para dieciocho activos dólar link argentinos teniendo en cuenta la importancia de construir su respectiva estructura de tasas de mercado previo a las elecciones PASO durante abril del 2023, con el objetivo de realizar un filtro utilizando clustering que su aplicación genere un mejor ajuste. Para la elaboración del filtro, se establecieron dos condiciones que permiten distinguir entre valores atípicos y datos normales, con el fin de minimizar la probabilidad de filtrar información relevante. La eficacia del filtro se evaluó mediante la comparación de métricas de error entre el modelo y el mercado, así como es desvío estándar de los parámetros del modelo de Nelson y Siegel (1987), se empleó el test de Levene para comparar la volatilidad entre los parámetros de la curva sin filtro y los generados a través del modelo de filtrado y no se encontró diferencias estadísticamente significativas entre ellas. Los resultados indican que la aplicación del filtro propuesto no reduce significativamente el error entre modelo-mercado cuando se calculan las métricas con todos los datos de precios y, de hecho, una volatilidad ligeramente mayor en las curvas. Sin embargo, al calcular las métricas con precios no filtrados, se observa una disminución del error modelo-mercado, aunque sin diferencias estadísticamente significativas en ningún caso. Además, se identificó que la condición 2 del filtro, cuando se aplica sola, ofrece un mejor desempeño, mientras que la condición 1, cuando se aplica por sí sola, empeora los resultados al eliminar el 44% de los datos en promedio.