{rfName}
Mu

Indexado en

Altmetrics

Investigadores/as Institucionales

Perez H.Autor o Coautor

Compartir

28 de noviembre de 2025
Publicaciones
>
Conferencia Publicada
No

Multivariate Regime Identification and Prediction in Financial Markets via Gaussian Mixture and Gradient Boosting Methods

Publicado en: Syntactic ASP Forgetting with Forks. 16203 LNCS 340-353 - 2026-01-01 16203 LNCS(), DOI: 10.1007/978-3-032-08462-0_27

Autores:

Sánchez-Fernández Á; Díez-González J; Huerga-Pérez N; Perez H
[+]

Afiliaciones

Department of Mechanical; Computer and Aerospace Engineering; Universidad de León; León; 24071; Spain - Autor o Coautor

Resumen

Financial markets rarely behave uniformly over time, instead exhibiting periods of different market conditions. These structural shifts pose significant challenges for traditional forecasting models, particularly due to heteroskedasticity and non-linearity. While market regime frameworks seek to address this complexity, many existing approaches are constrained by univariate inputs, rigid transitions, or lack predictive capability. This paper proposes a two-phase framework that overcomes these limitations by integrating unsupervised and supervised machine learning techniques. In the first phase, a Gaussian Mixture Models (GMM) is used to detect latent market regimes from a rich set of macro-financial indicators, capturing overlapping probabilistic states with interpretable economic characteristics. We identify six distinct regimes—including high-inflation, crisis, and expansionary environments—each associated with unique risk-return profiles. In the second phase, we train an XGBoost-based Gradient Boosting Machine (GBM) classifier on historical regime labels to forecast future regime states. The predictive model achieves high out-of-sample classification accuracy (92.2%) and outperforms the market in a simple long-short trading strategy based on anticipated regime shifts. © The Author(s), under exclusive license to Springer Nature Switzerland AG 2026.
[+]

Palabras clave

Adaptive boostingBoosting methodCommerceElectronic tradingFinancial forecastingFinancial marketsForecastingForecasting modelsGaussian distributionGaussian mixture modelGaussian mixture modelsGaussian-mixturesGradient boostingLearning systemsMachine learningMarket conditionMarket regime detectionMultivariate time seriesStructural shifts

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Syntactic ASP Forgetting with Forks debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2026, se encontraba en la posición 70/78, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-03:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 1.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 1 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 2.
  • El número de menciones en la red social X (antes Twitter): 1 (Altmetric).
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Último Autor (PEREZ GARCIA, HILDE).

[+]