ANÁLISIS DE LA EFICIENCIA DE MERCADO DEL ÍNDICE STOXX GLOBAL AI ANTES Y DESPUÉS DE CHATGPT MEDIANTE MF-DFA, CON ENFOQUE EN SEMICONDUCTORES ANÁLISIS DE LA EFICIENCIA DE MERCADO DEL ÍNDICE STOXX GLOBAL AI ANTES Y DESPUÉS DE CHATGPT MEDIANTE MF-DFA, CON ENFOQUE EN SEMICONDUCTORES

Abstract

Este Trabajo de Fin de Grado analiza el impacto del lanzamiento de ChatGPT sobre la eficiencia del mercado en el índice STOXX Global AI, con un enfoque particular en las empresas del sector de semiconductores. El objetivo es evaluar si este evento disruptivo ha alterado la estructura estadística de los precios financieros, utilizando el Análisis de Fluctuaciones Detrendadas Multifractales (MF-DFA) como herramienta principal. Esta metodología permite detectar multifractalidad, memoria de largo plazo y comportamientos no aleatorios en series temporales financieras.

La muestra abarca datos diarios entre 2018 y 2024. Se analizan tanto el índice agregado como las trayectorias individuales de sus componentes. Se aplican transformaciones logarítmicas, ventanas móviles y contrastes estadísticos mediante bootstrap. Además, se utiliza el exponente de Hurst en su versión rolling para detectar cambios dinámicos en la eficiencia temporal antes y después del evento ChatGPT.

Los resultados muestran una clara presencia de multifractalidad y un aumento sostenido del exponente de Hurst tras la aparición de ChatGPT, lo que indica una mayor eficiencia de mercado y una alineación más fuerte en las expectativas de los inversores. Las empresas líderes como NVIDIA e Intel exhiben patrones de persistencia más estables, mientras que otras muestran comportamientos más erráticos o especulativos.

Desde una perspectiva económica, los hallazgos sugieren que la eficiencia en los mercados tecnológicos es dinámica y sensible a disrupciones informativas. La inteligencia artificial actúa como una narrativa colectiva capaz de modificar el comportamiento de precios y generar nuevas fases de eficiencia temporal. Este trabajo contribuye al debate sobre la validez de la Hipótesis de Mercado Eficiente en contextos altamente tecnológicos, proponiendo el MF-DFA como una herramienta robusta para capturar la complejidad real del comportamiento financiero.

This thesis analyzes the impact of ChatGPT’s launch on market efficiency within the STOXX Global AI index, with a specific focus on semiconductor firms. The objective is to determine whether this disruptive event altered the statistical structure of financial prices by applying the Multifractal Detrended Fluctuation Analysis (MF-DFA) methodology. This technique identifies multifractality, long-term memory, and non-random behaviors in financial time series.

The dataset includes daily observations from 2018 to 2024, covering both the aggregate index and the individual performance of its components. Logarithmic returns are computed, and rolling windows and bootstrap tests are used to assess structural changes. Additionally, the rolling Hurst exponent is employed to compare dynamic patterns in efficiency before and after ChatGPT’s emergence.

The results reveal clear evidence of multifractality, as well as a sustained increase in the Hurst exponent following the introduction of ChatGPT. This suggests a shift toward greater market efficiency and stronger alignment in investor expectations. Leading firms such as NVIDIA and Intel display more stable persistence, while others exhibit erratic or speculative behavior.

From an economic perspective, the findings indicate that efficiency in technology markets is not static but evolves in response to informational shocks. Artificial intelligence has emerged as a collective narrative that influences pricing behavior and generates new cycles of temporal efficiency. This research contributes to the debate on the validity of the Efficient Market Hypothesis (EMH) in highly technological environments. It positions MF-DFA as a robust tool for capturing the real complexity of financial market behavior in the face of accelerating innovation and automation.