Análisis de redes neuronales y series de tiempo en activos financieros

Autores

DOI:

https://doi.org/10.62452/pwmh2a61

Palavras-chave:

Inteligencia artificial, aprendizaje supervisado, redes neuronales, deep-learning

Resumo

Una red neuronal artificial es un modelo matemático que utiliza un sistema de capas internas y externas conectadas a través de estructuras llamadas neuronas, que en conjunto simulan la arquitectura de las conexiones entre neuronas del cerebro humano. Sin embargo, estas redes neuronales han pasado por el proceso de aprendizaje sobre un conjunto de datos conocidos, se convierten en algoritmos capaces de predecir, dentro de un rango previamente establecido, el comportamiento de un conjunto del mismo tipo de datos del que sólo se conocen las etapas previas y no los resultados del comportamiento. Este trabajo tiene como objetivo obtener predicciones del precio de las acciones considerando diferentes tipos de modelos mediante el uso de herramientas computacionales especializadas. Se evidenció que la comparación de diferentes arquitecturas de aprendizaje profundo utilizando el método Naive reveló que los resultados obtenidos por este último fueron mejores que los resultados obtenidos por las arquitecturas de redes neuronales, así como la función FeedForward resultó ser el mejor de los modelos neuronales analizados.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

Arrieta Bechara, J. E., Torres Cruz, J. C., & Velásquez Ceballos, H. (2009). Predicciones de modelos econométricos y redes neuronales: el caso de la acción de SURAMINV. Semestre Económico, 12(25), 95-109.

Bosse, N. (2020). An Introduction to Deep Learning and the Concept of Regularization. Reading Processing Applying, 23.

Castel, A. G., & Górriz, C. G. (2004). Importancia de los recursos humanos en la productividad de las tecnologías de la información. En, J. A. Fraiz Brea y M. Vila Alonso, La empresa y su entorno: best papers proceedings 2004. (pp. 969-977). Universidade de Vigo.

Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on innovation: An exploratory analysis. En, A. Agrawal, J. Gans Y A. Goldfarb, The economics of artificial intelligence: An agenda. (pp. 115-146). University of Chicago Press.

Escobar, V. (2002). Análisis de datos con redes neuronales aplicadas al diagnós-tico de la solvencia empresarial. Cuestiones Económicas (3), 79-132.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Gorriz, C. G., & Castel, A. G. (2004). Impacto de las Tecnologías de la Información en la Productividad de las Empresas Españolas. Facultad de Ciencias Económicas y Empresariales.

Griffin, J., Nardari, F., & Stulz, R. M. (2004). Stock market trading and market conditions. (Working Paper No. 10719). National Bureau of Economic Research. http://www.nber.org/papers/w10719 doi: 10.3386/w10719

Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2018). Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of finance and data science, 4(3), 183-201.

Johnson, C. A., & Padilla, M. A. (2005). Regularidades no lineales en índices accionarios. Una aproximación con redes neuronales. El trimestre económico, 72(288), 765-821.

Kommula, VP, Reddy, KO, Shukla, M., Marwala, T. y Rajulu, AV (2013). Caracterización fisicoquímica, de tracción y térmica de hebras de fibras de pasto Napier (nativo africano). Revista Internacional de Análisis y Caracterización de Polímeros, 18 (4), 303-314.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.

Ledezma-Yanez, I., Wallace, W. D. Z., Sebastián-Pascual, P., Climent, V., Feliu, J. M., & Koper, M. (2017). Interfacial water reorganization as a pH-dependent descriptor of the hydrogen evolution rate on platinum electrodes. Nature Energy, 2(4), 1-7.

Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.

Mota-Hernández, C. I., Alvarado-Corona, R., & Jiménez García, B. M. (2019). RNA's en el Análisis a Subyacentes de Divisas y Deuda Cotizadas en el MexDer. Acta Nova, 9(2), 190-203.

Navia-Rodríguez, J. R., Cobos-Lozada, C. A., & Mendoza-Becerra, M. E. (2020). Trading Algorítmico para la Predicción de Series de Tiempo Financieras: Una Revisión Sistemática. Revista Ibérica de Sistemas e Tecnologias de Informação, (E38), 337-357.

Ortiz Arango, F. (2017). Pronóstico de precios de petróleo: una comparación entre modelos GARCH y redes neuronales diferenciales. Investigación económica, 76(300), 105-126.

Stankevičienė, J., & Akelaitis, S. (2014). Impact of public announcements on stock prices: Relation between values of stock prices and the price changes in Lithuanian stock market. Procedia-Social and Behavioral Sciences, 156, 538-542.

Vasquez, M. (2018). Predicción de series de tiempo usando un modelo híbrido basado en la descomposición wavelet. Comunicaciones en Estadística, 11(2), 257-283.

Vidal-Castillo, A. A., Venegas-Martínez, F., & Ortiz-Arango, F. (2021). Análisis comparativo de pronósticos del IPC obtenidos mediante modelos GARCH y redes neuronales. Revista de investigación en ciencias contables y administrativas, 7(1), 134-166.

Publicado

2024-02-01

Como Citar

Guillín-Llanos, X. M. ., Elizondo-Saltos, A. ., Cárdenas-Zea, M. P. ., & Alcívar-Méndez, K. A. . (2024). Análisis de redes neuronales y series de tiempo en activos financieros. Revista Metropolitana De Ciencias Aplicadas, 7(Suplemento 1), 85-92. https://doi.org/10.62452/pwmh2a61