MUNOZ, Jesús Molina    CASTANEDA, Ricard. The Use of Machine Learning in Volatility: A Review Using K-Means. []. , 25, 44, e7.   07--2024. ISSN 0124-4639.  https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.11969.

^a

Recently, the use of machine learning (ML) in scientific disciplines has experienced an unprecedented increase. Finance has not been an exception. Several works have been published in recent years using ML techniques. However, one of the topics with the least number of developed papers is volatility in this context. Nevertheless, the data analyzed here suggest changes regarding this issue. Data obtained from the Web of Science database show that between 2001 and 2010 there were 33 published papers associated with this topic. Surprisingly, between 2019 and 2023, 189 manuscripts have been published related to this topic. The purpose of this work is to review the works related to the applications of ML in volatility. For this, a classification of the main proposals on this topic is proposed following a narrative methodology, accompanied by a statistical and bibliometric analysis in which novel techniques such as K-means were used. The results are suggestive. Although most papers focus on volatility prediction through neural networks and support vector machines, there is a lack of studies related to volatility transmission, calibration of volatility surfaces, and corporate finance. Moreover, the obtained results indicate that there is a gap in the production of works related to these topics in finance and economics specialized journals.

Recientemente, el uso de técnicas de machine learning (ML) en diferentes disciplinas científicas ha experimentado un aumento sin precedentes. El área de las finanzas no ha sido una excepción. En los últimos años, se han publicado numerosos trabajos utilizando técnicas de ML. Sin embargo, uno de los temas con menor número de artículos desarrollados en este contexto, es el de la volatilidad. A pesar de los anterior, los datos analizados en este articulo sugieren cambios al respecto. Datos obtenidos de la base Web of Science muestran entre 2001 y 2010 había 33 artículos asociados con este tema. Sorprendentemente, entre 2019 y 2023 se han publicado 189 manuscritos relacionados con este tipo de modelos. El propósito de este artículo es revisar los trabajos relacionados con las aplicaciones de ML en volatilidad. Para ello, se propone una clasificación de las principales propuestas sobre esta temática siguiendo una metodología narrativa, acompañada de un análisis estadístico y bibliométrico en el que se utilizan técnicas novedosas como K-means. Los resultados son sugerentes. Aunque la mayoría de los artículos se centran en la predicción de la volatilidad a través de redes neuronales y support vector machines, se evidencia una ausencia de artículos relacionados con transmisión de la volatilidad, calibración de superficies de volatilidad, y finanzas corporativas. Además, los resultados obtenidos indican que se presentan vacíos en la producción de trabajos relacionados con estos tópicos en revistas especializadas en finanzas y economía.

Recentemente, o uso de técnicas de machine learning (ML) em diferentes disciplinas científicas experimentou um aumento sem precedentes. A área das finanças não tem sido exceção. Nos últimos anos, vários artigos foram publicados usando técnicas de ML. Entretanto, um dos temas com menor número de artigos desenvolvidos nesse contexto é a volatilidade. Apesar do exposto, os dados analisados neste artigo sugerem mudanças nesse sentido. Dados obtidos da base de dados Web of Science mostram que entre 2001 e 2010 33 artigos associados a este tópico foram publicados. Surpreendentemente, entre 2019 e 2023, foram publicados 189 manuscritos relacionados a esse tipo de modelo. O objetivo deste artigo é revisar os trabalhos relacionados a aplicações de ML no tópico de volatilidade. Para isso, propõe-se uma classificação das principais propostas sobre este assunto seguindo uma metodologia narrativa, acompanhada de uma análise estatística e bibliométrica em que são utilizadas técnicas inovadoras como o K-means. Os resultados são sugestivos. Embora a maioria dos artigos se concentre na previsão de volatilidade por meio de redes neurais e support vector machines, há uma ausência de artigos relacionados à transmissão de volatilidade, calibração de superfície de volatilidade e finanças corporativas. Além disso, os resultados obtidos indicam que existem lacunas na produção de artigos relacionados a esses temas em periódicos especializados em finanças e economia.

: .

        · | | |     · |     · ( pdf )