English
Estimación y Análisis del Exponente de Hurst en el Futuro de Oro Durante Periodos de Alta Volatilidad Geopolítica (2022-2025)201
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio analiza la dinámica de los rendimientos del futuro del oro durante períodos de alta volatilidad geopolítica, utilizando el exponente de Hurst para evaluar la presencia de persistencia o antipersistencia en la serie de tiempo. Se examinaron cuatro períodos distintos, considerando el impacto de la guerra de Gaza iniciada en octubre de 2023. Los resultados muestran que antes del conflicto los valores del exponente de Hurst indicaban una mayor persistencia en los rendimientos, mientras que después del inicio de la guerra, los valores tienden a disminuir, reflejando un comportamiento más aleatorio y menor previsibilidad en el mercado.
El análisis comparativo entre los distintos métodos de estimación del exponente de Hurst destaca que los métodos R/S corregido y empírico corregido proporcionan estimaciones más robustas y confiables en comparación con los métodos simples. Estos resultados concuerdan con estudios previos que sugieren que la memoria de largo plazo en mercados financieros es sensible a eventos externos y puede modificarse con el tiempo. Para complementar el análisis, se implementó un modelo ARFIMA-GARCH, el cual permitió capturar tanto la memoria de largo plazo en la media de los rendimientos como la volatilidad condicional.
Los pronósticos obtenidos con este modelo indican que la volatilidad futura del mercado del oro tiende a estabilizarse en el corto plazo, sin expectativas de fluctuaciones abruptas. Esto implica que, aunque los rendimientos pueden mostrar cierta dependencia temporal, la incertidumbre global y los eventos geopolíticos pueden modificar su comportamiento. La combinación de análisis fractal y modelos econométricos avanzados proporciona una mejor comprensión de la dinámica del mercado y sus implicaciones para la toma de decisiones financieras. Se considera que esta investigación es original y tiene el potencial de contribuir a la toma de decisiones informadas y la mejora de la experiencia del inversionista.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta revista se encuentra bajo la licencia de Creative Commons, por tanto, los autores, al postular su artículo, lo adhieren a dicha licencia.El autor puede disponer de su artículo para su archivo en repositorios institucionales o en páginas web personales, con la referencia y agradecimientos a la fuente donde se ha publicado.
Citas
Anis, A. A., & Lloyd, E. H. (1976). The expected value of the adjusted rescaled Hurst range of independent normal summands. Biometrika, 63(1), 111-116. https://doi.org/10.1093/biomet/63.1.111
Baillie, R. T. (1996). Long memory processes and fractional integration in econometrics. Journal of Econometrics, 73(1), 5-59.
Barunik, J., & Kristoufek, L. (2010). On Hurst exponent estimation under heavy-tailed distributions. Physica A: Statistical Mechanics and its Applications, 389(18), 3844-3855. https://doi.org/10.1016/j.physa.2010.05.023
Baur, D. G., & McDermott, T. K. (2010). Is gold a safe haven? International evidence. Journal of Banking & Finance, 34(8), 1886-1898. https://doi.org/10.1016/j.jbankfin.2009.12.008
Beran, J. (1994). Statistics for long-memory processes. Chapman & Hall/CRC.
Bodie, Z., Kane, A., & Marcus, A. J. (2021). Investments (12th ed.). McGraw-Hill Education.
Carbone, A., Castelli, G., & Stanley, H. E. (2004). Time-dependent Hurst exponent in financial time series. Physica A: Statistical Mechanics and its Applications, 344(1-2), 267-271. https://doi.org/10.1016/j.physa.2004.06.130
Castaño, J., & León, H. (2015). Análisis de la memoria larga en series financieras: Aplicación del modelo ARFIMA. Instituto Tecnológico Autónomo de México. Recuperado de https://estadistica.itam.mx/sites/default/files/u450/castano_feb1315.pdf
Ceballos, S., & Largo, A. (2018). Comparison of methods for estimating the Hurst exponent in time series analysis. Recuperado de https://arxiv.org/abs/1805.08931
Cinco Días. (2025). El oro marca nuevos máximos y apunta a los 3,000 dólares a medida que Trump profundiza en los aranceles. Retrieved from https://cincodias.elpais.com
CME Group. (2024). Gold Futures Contract Specifications. Retrieved from https://www.cmegroup.com
Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223-236. https://doi.org/10.1088/1469-7688/1/2/304
Dieker, A. B. (2004). Simulation of fractional Brownian motion. Stochastic Processes and their Applications, 113(2), 351-369. https://doi.org/10.1016/j.spa.2004.05.002
Eom, C., Choi, S. K., Oh, G., & Jung, W. S. (2008). Hurst exponent and prediction based on weak-form efficient market hypothesis of stock markets. Physica A: Statistical Mechanics and its Applications, 387(18), 4630-4636. https://doi.org/10.1016/j.physa.2008.03.032
García, F., Martínez, R., & Torres, M. (2022). Volatility clustering and predictive models in commodity markets: The role of ARFIMA-GARCH. Journal of Financial Econometrics, 20(3), 233-256.
Gómez, L., & Paredes, J. (2023). Time series forecasting in financial markets: A comparative analysis of ARFIMA and GARCH models. Review of Economic Studies, 35(4), 459-478.
Hernández, P. (2024). The impact of geopolitical conflicts on gold price dynamics: A Hurst exponent approach. International Journal of Financial Research, 29(1), 67-89.
Higuchi, T. (1988). Approach to an irregular time series on the basis of the fractal theory. Physica D: Nonlinear Phenomena, 31(2), 277-283. https://doi.org/10.1016/0167-2789(88)90081-4
Hull, J. C. (2017). Options, Futures, and Other Derivatives (10th ed.). Pearson.
Investing.com. (2025). Gold Futures Prices & Charts. Retrieved from https://www.investing.com
Kyrtsou, C. (2021). Empirical adjustments in Hurst exponent estimation: Overcoming biases in financial time series. Quantitative Finance, 22(5), 120-139.
Lahmiri, S. (2017). Long memory in international financial markets. Physica A: Statistical Mechanics and its Applications, 484, 226-233. https://doi.org/10.1016/j.physa.2017.05.076
Likens, J., Zheng, Y., & Thompson, J. (2023). A comparison of Hurst-Kolmogorov Bayesian estimation and Detrended Fluctuation Analysis in long-range dependence modeling. Recuperado de https://arxiv.org/abs/2301.11262
Mandelbrot, B. B. (1983). The fractal geometry of nature. W. H. Freeman.
Mandelbrot, B. B., & Hudson, R. L. (2004). The (mis)behavior of markets: A fractal view of risk, ruin, and reward. Basic Books.
Mandelbrot, B. B., & Wallis, J. R. (1969). Computer experiments with fractional Gaussian noises. Water Resources Research, 5(1), 228-267. https://doi.org/10.1029/WR005i001p00228
Martínez, L., Pérez, D., & Hernández, C. (2016). Predicción de volatilidad en mercados financieros: Aplicación del modelo GARCH en análisis de riesgo. Universidad de Barcelona. Recuperado dehttps://diposit.ub.edu/dspace/bitstream/2445/125023/2/memoria.pdf
Morales, D., & Villaseñor, C. (2022). Correcting biases in Hurst exponent estimation: Application in chaotic financial systems. Econometric Modelling, 18(2), 98-114.
Pérez, A., & Ruiz, E. (2002). Modelos de memoria larga para series económicas y financieras. Investigaciones Económicas, 26(3), 395-445. Recuperado de https://www.fundacionsepi.es/investigacion/revistas/paperArchive/Sep2002/v26i3a1.pdf
Pérez, J., & Ramírez, M. (2018). Memoria larga y heterocedasticidad en series económicas: Una evaluación del modelo ARFIMA-GARCH en el mercado de valores mexicano. Economía y Sociedad, 20(2), 85-103.
Peters, E. E. (1994). Fractal market analysis: Applying chaos theory to investment and economics. John Wiley & Sons.
Ramírez, A., & Rodríguez, E. (2023). Long memory and volatility persistence in financial assets: An ARFIMA-GARCH approach. Applied Economics Letters, 40(6), 312-329.
Sánchez, R., López, B., & Pérez, T. (2022). Predicting financial risk using fractal analysis and memory models. Journal of Economic Behaviour & Organization, 28(2), 178-201.
Sánchez-Cantú, L., Soto-Campos, C. A., & Kryvko, A. (2016). Evidence of Self-Organization in Time Series of Capital Markets. Recuperado de https://arxiv.org/abs/1604.03996
Shang, H. L. (2020). Estimating the Hurst exponent for functional time series with long-range dependence. Recuperado de https://arxiv.org/abs/2003.08787
Shao, Y., & Gao, J. (2020). Improving Hurst exponent estimation via adaptive detrended fluctuation analysis. Chaos, Solitons & Fractals, 130, 109431. https://doi.org/10.1016/j.chaos.2019.109431
Wang, Y., Yu, H., & Lai, K. K. (2011). Crude oil price analysis and forecasting using wavelet decomposed ensemble model. Energy, 36(5), 2693-2705. https://doi.org/10.1016/j.energy.2011.02.032.
Wang, Z., Sun, M., & Elsawah, A. M. (2020). Improving MF-DFA model with applications in precious metals market. Recuperado de https://arxiv.org/abs/2006.15214
Weron, R. (2002). Estimating long-range dependence: finite sample properties and confidence intervals. Physica A: Statistical Mechanics and its Applications, 312(1-2), 285-299. https://doi.org/10.1016/S0378-4371(02)00897-2
Zhou, W., Yu, J., & Zhang, Y. (2022). Revisiting the empirical Hurst exponent in financial markets: A robust estimation approach. Journal of Economic Dynamics and Control, 135, 104312. https://doi.org/10.1016/j.jedc.2021.104312