Algoritmo de infravaloración de OPV

La infravaloración de una OPV se refiere al aumento del valor de las acciones desde el precio de oferta inicial hasta el precio de cierre del primer día. Muchos creen que las OPV infravaloradas suponen una pérdida de dinero para las empresas, pero otros opinan que es inevitable. Los inversores afirman que la infravaloración indica un gran interés en el mercado, lo que incrementa la demanda. Por otro lado, las acciones sobrevaloradas tienden a bajar a largo plazo a medida que el precio se estabiliza, por lo que la infravaloración puede proteger a los emisores de posibles litigios por parte de los inversores.

algoritmos de subvaloración de OPV

Los suscriptores , los inversores y las empresas que realizan una oferta pública inicial (OPI), es decir, los emisores, están interesados en su valor de mercado. Esto siempre genera tensión, ya que los suscriptores desean mantener el precio bajo, mientras que las empresas buscan un precio de OPI alto.

La infravaloración también puede deberse a una reacción exagerada de los inversores, que provoca picos en los primeros días de cotización. El proceso de fijación de precios de una OPV es similar al de productos nuevos y únicos, donde la información sobre la demanda del mercado, la aceptación del producto o la respuesta de la competencia es escasa. Por lo tanto, resulta difícil determinar un precio claro, lo cual se ve agravado por los diferentes objetivos de emisores e inversores.

El problema al desarrollar algoritmos para determinar precios insuficientes radica en lidiar con conjuntos de datos ruidosos , complejos y desordenados. Además, las personas, el entorno y diversas condiciones ambientales introducen irregularidades en los datos. Para resolver estos problemas, los investigadores han encontrado diversas técnicas de inteligencia artificial que normalizan los datos.

Modelos evolutivos

La programación evolutiva se suele combinar con otros algoritmos, como las redes neuronales artificiales, para mejorar la robustez, la fiabilidad y la adaptabilidad. Los modelos evolutivos reducen las tasas de error al permitir que los valores numéricos varíen dentro de la estructura fija del programa. Los diseñadores proporcionan las variables a sus algoritmos y, a continuación, los datos de entrenamiento para que el programa genere reglas definidas en el espacio de entrada que permitan realizar predicciones en el espacio de variables de salida.

En este enfoque, la solución se define como un individuo y la población se compone de alternativas. Sin embargo, los valores atípicos provocan que los individuos actúen de forma inesperada al intentar crear reglas que expliquen el conjunto completo.

Sistema basado en reglas

Por ejemplo, Quintana ^{[ 1 ]} primero abstrae un modelo con 7 variables principales. Las reglas evolucionaron a partir del sistema de Computación Evolutiva desarrollado en Michigan y Pittsburgh:

Prestigio del suscriptor: ¿El suscriptor es prestigioso en su rol de gerente principal? 1 si es verdadero, 0 en caso contrario.
Amplitud del rango de precios: La amplitud del rango de precios de referencia no vinculante ofrecido a los clientes potenciales durante la gira promocional. Esta amplitud puede interpretarse como un indicio de incertidumbre respecto al valor real de la empresa y, por lo tanto, como un factor que podría influir en la rentabilidad inicial.
Ajuste de precio: La diferencia entre el precio de oferta final y la amplitud del rango de precios. Puede considerarse un indicador de incertidumbre si el ajuste se encuentra fuera del rango de precios anterior.
Precio de oferta: el precio final de la oferta pública inicial (OPI).
Acciones retenidas: Relación entre el número de acciones vendidas en la OPV y el número de acciones posteriores a la oferta, menos el número de acciones vendidas en la OPV.
Tamaño de la oferta: logaritmo del tamaño de la oferta en millones de dólares, excluyendo la opción de sobreasignación.
Tecnología – ¿Es esta una empresa tecnológica? 1 si es verdadero, 0 en caso contrario.

Quintana utiliza estos factores como señales en las que se centran los inversores. El algoritmo que explica su equipo muestra cómo es posible realizar una predicción con un alto grado de confianza con tan solo un subconjunto de los datos.

Pronóstico evolutivo de dos capas

Luque ^{[ 2 ]} aborda el problema de los valores atípicos mediante regresiones lineales sobre el conjunto de datos (entrada, salida). El algoritmo procesa los datos asignando regiones a los datos ruidosos. Este esquema tiene la ventaja de aislar patrones ruidosos, lo que reduce el efecto de los valores atípicos en el sistema de generación de reglas. El algoritmo puede revisar posteriormente si los conjuntos de datos aislados influyen en los datos generales. Finalmente, los peores resultados del algoritmo superaron la capacidad predictiva de todos los demás algoritmos.

Modelado basado en agentes

Actualmente, muchos algoritmos asumen un comportamiento homogéneo y racional entre los inversores. Sin embargo, existe un enfoque alternativo para la modelización financiera, denominado modelización basada en agentes (ABM). La ABM utiliza diferentes agentes autónomos cuyo comportamiento evoluciona endógenamente, lo que da lugar a dinámicas de sistema complejas que a veces resultan imposibles de predecir a partir de las propiedades de los agentes individuales. ^{[ 3 ]} La ABM está empezando a aplicarse a las finanzas computacionales. No obstante, para que la ABM sea más precisa, es necesario desarrollar mejores modelos para la generación de reglas.

Referencias

↑ Quintana, David; Cristóbal Luque; Pedro Isasi (2005). "Sistema evolutivo basado en reglas para la predicción de la infravaloración de las OPI". Actas de la 7.ª conferencia anual sobre computación genética y evolutiva . pp. 983–989 . doi : 10.1145/1068009.1068176 . hdl : 10016/4081 . ISBN 1595930108. S2CID 3035047 .
↑ Luque, Cristóbal; David Quintana; JM Valls; Pedro Isasi (2009). "Pronóstico evolutivo de dos capas para la subvaloración de OPI". Congreso IEEE de Computación Evolutiva de 2009. Piscatawy, NJ, EE. UU.: IEEE Press. pp. 2374–2378 . doi : 10.1109/cec.2009.4983237 . ISBN 978-1-4244-2958-5. S2CID 1733801 .
↑ Brabazon, Anthony; Jiang Dang; Ian Dempsy; Michael O'Neill; David M. Edelman (2010). "Computación natural en finanzas: una revisión" (PDF) . Manual de computación natural .

[1] Quintana, David; Cristóbal Luque; Pedro Isasi (2005). "Sistema evolutivo basado en reglas para la predicción de la infravaloración de las OPI". Actas de la 7.ª conferencia anual sobre computación genética y evolutiva . pp. 983–989 . doi : 10.1145/1068009.1068176 . hdl : 10016/4081 . ISBN 1595930108. S2CID 3035047 .

[2] Luque, Cristóbal; David Quintana; JM Valls; Pedro Isasi (2009). "Pronóstico evolutivo de dos capas para la subvaloración de OPI". Congreso IEEE de Computación Evolutiva de 2009. Piscatawy, NJ, EE. UU.: IEEE Press. pp. 2374–2378 . doi : 10.1109/cec.2009.4983237 . ISBN 978-1-4244-2958-5. S2CID 1733801 .

[3] Brabazon, Anthony; Jiang Dang; Ian Dempsy; Michael O'Neill; David M. Edelman (2010). "Computación natural en finanzas: una revisión" (PDF) . Manual de computación natural .

[ 1 ]

[ 2 ]

[ 3 ]