Un modelo de predicción para el valor TRM: Un acercamiento desde las redes neuronales artificiales

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Un modelo de predicción para el valor TRM: Un acercamiento desde las redes neuronales artificiales"

Transcripción

1 Un modelo de predicción para el valor TRM: Un acercamiento desde las redes neuronales artificiales Mauricio Ayala Sánchez * Escuela de Matemáticas Universidad Sergio Arboleda Bogotá, Colombia. Ruben Dario Castillo Serna ** Departamento de Administración y Finanzas Universidad del Valle Cali - Colombia. Resumen Se presenta un modelo de predicción a un día del mercado de divisas en Colombia, basado en Redes Neuronales Artificiales (RNA), el cual logró entender y predecir eficientemente el mercado. Y aunque el modelo reportó resultados de entrenamiento óptimo similares tanto en una serie con 20 días precedentes, como en una serie con solo 5 días precedentes al valor de la predicción, la red neuronal con 5 entradas reporto una eficiencia de validación del 90 % comparado con una eficiencia del 44 % en el otro caso (Todo esto, en el mismo conjunto Test y con un error de aprendizaje inferior al 1 %). En ambos casos fue más importante y sensible a la predicción el valor TRM del día anterior, cuantificadores que decrecen en la medida que los días se alejan hacia atrás del día a predecir. Adicionalmente, usando la red con 5 entradas se mostró que el modelo de RNA es mucho más eficiente para hacer predicciones a 1 día que a 50 días seguidos; con una eficiencia promedio de 48 % y 28,5 % en el primer y segundo caso respectivamente y un error de aprendizaje inferior o igual al 2 %. Por otro lado, se buscó una validación (según RNA) del análisis técnico en el mercado local de divisas, usando como valor output el precio de cierre del dolar en un día transaccional y como inputs: el día y mes de la predicción, apertura, mínimo, máximo, cierre, monto transado y número de operaciones de los tres días inmediatamente anteriores. Se encontró que el parámetro significativamente más relevante para la predicción fue el precio de cierre del día anterior, aún así el modelo de RNA mostró ser coherente con el análisis de velas. Siendo muy interesante el 3er. lugar de importancia que la RNA * **

2 Mauricio Ayala Sánchez, Ruben Dario Castillo Serna le da al mes o época del año, indicándonos que el mercado por lo regular tiene una tendencia según la época del año. Sin embargo, tuvo poca o casi ninguna relevancia el monto y el número de operaciones hechas en los 3 días anteriores, lo cual significa que el volumen no necesariamente sigue la tendencia. Aquí se usó una base de datos sobre los históricos que van desde enero/1995 hasta junio/2004 para un total 2271 días de análisis. Palabras claves: Redes Neuronales Artificiales, Predicción en series de tiempo, Valor TRM. 1. Introducción En la actualidad, las Redes Neuronales Artificiales o RNA, se reconocen como una de las herramientas matemáticas de uso computacional que mejores resultados presenta a la hora de modelar un problema, ya sea de: Aproximación de funciones: como el diagnóstico y control de maquinaria, en el control del piloto automático de una aeronave, o en el control de un robot, etc. Clasificación: como el diagnóstico médico, reconocimiento de caracteres, detección de fraude o clasificación de riesgo crediticio, etc. Predicción de series de tiempo: como la predicción del mercado de capitales, quiebra bancaria, predicción de ventas, predicción del consumo energético, etc. Procesamiento de datos: en filtrado de ruido o encriptando información, etc. En particular son las redes perceptrón multicapa o rpm las que han mostrado resultados satisfactorios en la economía, como es el caso de la predicción del mercado de valores[3, 4, 10, 14], la clasificación de riesgo crediticio[6], en el análisis de solvencia de una compañía[7], predicción de la quiebra bancaria[13], así como su aplicación en modelos de inflación en la economía colombiana[8, 9]. A pesar que, la idea de RNA surgió por McCulloch & Pitts en 1943, esta técnica solo vino a tener una fuerte aplicación en problemas concretos en la última década, debido en parte al creciente desarrollo en los 90 s de las computadores, las cuales hicieron posible implementar estos modelos. Y aunque se tiene indicios de que la mayoría de las aplicaciones que se desarrollan con RNA pueden ser desarrolladas con los métodos estadísticos standard[12], estos modelos han mostrado que pueden ser superiores a otras técnicas de análisis multivariado, llegando a mejores resultados de predicción que otros métodos estandard[2, 9, 16]. Esto debido a que las RNA se pueden adaptar muy bien tanto a problemas lineales, como en problemas no lineales, y es aquí donde las RNA tiene un potencial que otros modelos no poseen. Además, la técnica de redes neuronales tiene un atractivo que las hace aún más interesantes y es su habilidad para aprender, re-aprender y generalizar el conocimiento adquirido a nuevas observaciones, es decir este es un modelo que tiene memoria. Por otro 164

3 Un modelo de predicción para el valor TRM lado, las RNA consideran a cada conjunto de parámetros de un objeto de estudio, como una unidad que debe ser reproducida, y correlacionado con sus semejantes, a diferencia de los modelos tradicionales que se enfocan solo en la correlación entre parámetros y no entre objetos de estudio. Cuando se aplica un modelo de aprendizaje supervisado de una RNA a un conjunto de datos, estos se dividen en dos grupos separados: un conjunto de datos de entrenamiento y un conjunto de test que validará el modelo. En su mayoría, las aplicaciones de RNA en series de tiempo, los datos son distribuidos en períodos separados y prolongados, lo cual aumenta la probabilidad de error, dado que las condiciones del mercado están variando día a día y no siempre es posible saber con precisión como va a ser el mercado la semana siguiente o el mes siguiente. Aquí, nosotros consideramos que esto no tiene mucho sentido y nuestro planteamiento es hacer predicciones a muy corto plazo (un día, una semana, etc.) de tal manera que se reduzca el error y el modelo ofrezca una utilidad práctica para el mercado. Siendo las RNA un método de caja negra, las redes neuronales son una herra-mienta adecuada para encontrar una relación causal entre diferentes parámetros. En particular pueden ser muy útiles para encontrar las variables de predicción relevantes en una serie de tiempo financiera, ya que no asumen alguna estructura de la economía, su objetivo primordial antes que suponer cualquier relación funcional preconcebida, es encontrar una relación causal entre los parámetros de entrada y la salida deseada. Por un lado se puede pensar que una serie de tiempo de un mercado de valores es algo que tiene un comportamiento no predecible; no siempre es posible saber con anticipación que va a suceder un tiempo después. Sin embargo, la existencia de métodos de análisis bursatil son un claro indicio que existe un comportamiento subyacente en los mercados de valores, al describir las tendencias implícitas. Por consiguiente surge la pregunta de cual es el caracter dominante en un mercado de valores?, en particular el mercado colombiano, el cual nos corresponde. Con este interrogante a resolver, tomamos el mercado de divisas en Colombia como objeto de estudio, que es uno de los items en el mercado bursatil con mayor liquidez, y de mayor relevancia en las exportaciones colombianas. Con este propósito, usando la técnica de redes neuronales, estudiamos aquí el comportamiento del valor TRM (Tasa Representativa del Mercado) 1, además del precio de cierre del dólar en el mercado regulado. 165

4 Mauricio Ayala Sánchez, Ruben Dario Castillo Serna 2. Redes perceptrón multicapa Por analogía con las redes neuronales celulares, las RNA consisten de un conjunto finito de unidades interconectadas entre si, llamadas neuronas. Cada neurona N i es modelada por un conjunto de datos de entrada Y j, los cuales tendrán cada uno un peso W ij que nos indica el factor de importancia de conexión entre la neurona i con la neurona j. Asociado a una neurona N i siempre hay valor de salida Y i que podría ser la entrada a otra neurona o el valor de salida de la red neuronal (respuesta de la red), el cual se encuentra al evaluar la función de activación f(s i ), donde S i es definido como la suma de un valor bias θ i (factor de corrimiento) más la suma de todos las entradas a la neurona multiplicados por los correspondientes pesos sinápticos, es decir S i = j Y j W ji + θ i La función de activación puede tener múltiples formas, una de las más utilizadas es la función sigmoidal (ver [11] para más detalles) Al construir una red neuronal, esta debe poseer un conjunto de neuronas que recibirán los parámetros de entrada (input), y un conjunto de neuronas que reportarán el valor predicho (output). La literatura clasifica las RNA en dos tipos: Recurrentes: Pueden haber neuronas que son ambos: input & output. Ej. Redes autoasociadas (estas pueden presentar un comportamiento caótico). Ver figura 3. Dirigidas: Las neuronas input son diferentes de las neuronas output y la información siempre viaje unidireccionalmente de las neuronas input a las neuronas output. Ej. Redes perceptrón. Ver figura 3. Las estructuras de RNA más estudiadas y usadas en diferentes problemas, son las redes perceptrón debido a su estabilidad y a su eficiencia para minimizar el error. Estas pueden ser simples o multicapas (rpm), y se caracterizan porque sus neuronas están dispuestas en capas o niveles, siendo la primera capa, la capa de entrada de datos o neuronas input, la última capa representa las neuronas de salida o output, y entre estos se encuentran (si las hay) las capas ocultas o hidden. En estas topologías las neuronas input están conectados con la primera capa oculta (si la hay), la cual conecta con la segunda capa oculta (si la hay) y así sucesivamente hasta las neuronas output. Las RNA adquieren el conocimiento a través de un proceso de instrucción, que puede ser de dos formas: 1 La TRM se calcula como el promedio ponderado de las operaciones de compra y venta de dólares sin incluir las operaciones de ventanilla (conocidas como aquellas que se realizan en el next day o mercado de compra y venta de dólares que funciona entre las 14:30 y 16:30 horas) y de derivados sobre divisas que llevan a cabo los establecimientos de crédito (sin incluir las compañías de financiamiento comercial) en las cuatro principales ciudades del país (Bogotá, Medellín, Cali y Barranquilla). ver[15] 166

5 Un modelo de predicción para el valor TRM Supervisado: cada conjunto de parámetros de entrada tiene asociado un conjunto de parámetros de salida deseado (un profesor). De otra manera, después del entrenamiento, la RNA debe reportar la salida deseada para cada conjunto de parámetros de entrada. No supervisado: Los datos son distribuidos en una malla n-dimensional, de tal forma que después del entrenamiento cada conjunto de observación se ubicará al lado de sus semejantes, es decir al lado de aquellos elementos con quienes las diferencias sean mínimas. En nuestro caso, el cual es un problema de predicción en series de tiempo, el aprendizaje supervisado es el que mejor se adapta a nuestras necesidades, debido a que siempre es posible disponer de un conjunto profesor. Este aprendizaje se obtiene al minimizar la función de Error cuadrático medio: E = 1 (d 0 Y 0 ) 2, 2 p siendo d 0,Y 0 respectivamente el valor deseado y el valor output de la RNA para cada caso de estudio p. Tenga en cuenta que Y 0 depende de la salida de las neuronas que le preceden y de los pesos de conexión correspondientes, valores (salidas) que a su vez dependen de la salida y peso de conexión con las neuronas precedentes y así sucesivamente hasta los valores input. Luego, son los pesos W ij de la conexión interneuronal junto con los parámetros θ i, los usados para obtener el conocimiento, ya que estos son los únicos valores libres en la red; estos representan la memoria de una red neuronal artificial que ha sido entrenada. Por lo tanto, minimizar la función Error significa buscar unos valores W ij,θ i para cada neurona que logren este objetivo, lo cual se logra después de un número finito de ciclos de entrenamiento. Esto conlleva a la siguiente perturbación que se itera para los valores W ij en cada ciclo, W ij + = γδ jy i + α Wij, (1) siendo Wij + la iteración anterior y W ij la iteración siguiente2. Tenga en cuenta que en el primer ciclo de entrenamiento no hay una iteración precedente, por lo tanto Wij = 0. Los parámetros γ y α normalizados entre [0, 1], son una rata de aprendizaje y un momentum respectivamente 3. 2 La primera parte del lado derecho de la ecuación (1) se obtiene al aplicar la condición W + ij = γ Wij E, la cual es una condición de gradiente que nos indica la dirección en que la función Error se minimiza. La segunda parte, es una factor de corrección que mantiene una memoria de la dirección de minimización en los parámetros W ij, esto debido a deformaciones locales o falsos mínimos que pueda tener la función Error. 3 El parámetro γ se puede interpretar como: que tan aprisa queremos que la red aprenda o avance en la dirección de minimización. Por lo tanto, si este coeficiente toma valores cercanos a 1, significa que la red intentará asimilar el conocimiento lo más rápido posible con el inconveniente que puede aprender no 167

6 Mauricio Ayala Sánchez, Ruben Dario Castillo Serna Aquí δ j toma valores diferentes si se aplica a una neurona input, hidden u output. Por ejemplo, tomando como función de activación la función sigmoidal, se tiene que: δ o =(d o Y o )Y o (1 Y o ), (2) si el peso W ij que se modifica conecta a una neurona output. SiW ij conecta dos neuronas hidden o una neurona hidden con una neurona input, entonces se aplica la siguiente regla, para el caso de la función sigmoidal N o δ h = Y h (1 Y h ) δ o W ho (3) Esta regla se conoce como la regla Back-propagation (ver detalles en [11]). Tenga en cuenta que si la red neuronal alcanza un aprendizaje completo en el n-ésimo ciclo (es decir d 0 = Y 0 ), se tiene entonces que las ecuaciones (2), (3) toman valor cero y por lo tanto W + ij o=1 = 0, lo cual indica que el entrenamiento se ha terminado. 3. Modelo La predicción de series de tiempo, es algo que ha ocupado mucho a investigadores de distintas disciplinas, pero son las series de tiempo financieras las que más interés obtienen, en parte debido a la complejidad de los sistemas financieros, y a la alta no-linealidad de su comportamiento fluctuante y a veces caprichoso. Sin embargo, las RNA han tenido aquí un éxito que otras técnicas no han logrado. Diferentes modelos de redes neuronales han sido desarrollados para la predicción de mercados, algunos se enfocan en la predicción del precio futuro de un valor o en modelar la rentabilidad de una acción, otros son aplicados para reconocer ciertos patrones de precios del mercado. Sin embargo, aunque una RNA tenga la habilidad de entender el comportamiento de una secuencia (aprender) y de predecir la serie un tiempo después, el aprendizaje y la predicción no necesariamente están relacionados entre si. Se han encontrado secuencias caóticas que pudieron ser aprendidas pero no predichas, y secuencias cuasiperiódicas que pudieron ser predichas pero no aprendidas por una RNA[5], aunque este no ha sido el caso en muchos estudios aplicados a la economía[3, 4, 10, 14]. Para nuestro modelo de predicción, usamos como inputs, los valores de la serie de tiempo anteriores al valor de la predicción, tomando tantas entradas como se considere necesario para hacer una predicción aceptable (ver figura 4). muy eficientemente (recuerde que la función puede tener deformaciones locales abruptas). Si γ toma valores cercanos a 0, puede significar que la red aprende con mayor seguridad, pero esta vez lo hace muy lentamente, lo cual puede conllevar a que la red se estanque en su aprendizaje. Debido a estos inconvenientes se introduce un factor α que se puede interpretar como: que tan enfocada en el entrenamiento queremos que la red se encuentre, el cual permite una convergencia óptima aún en el caso que γ tome valores grandes. 168

7 Un modelo de predicción para el valor TRM 3.1. Predicción del valor TRM Para desarrollar nuestro modelo, escogimos una estructura que fuese versatil en el proceso de aprendizaje. Por esto partimos de un diseño perceptrón multicapa con un entrenamiento supervisado, usando como función de activación la función sigmoidal y aplicando la regla de aprendizaje Back-propagation antes comentada. Las restricciones que se le impuso a nuestro modelo de rpm, es que tuviese máximo 3 capas ocultas y mínimo 1 capa oculta, es decir buscamos un diseño rpm(n:x:y:z:m) 4. Luego, se exploraron diferentes estructuras de rpm con estas condiciones, hasta encontrar una topología óptima (es decir, con el menor error cuadrático medio posible) para cada conjunto de datos expuestos a la red. En el primer caso, se usó como datos de entrada: el valor TRM de los 20 días precedentes al valor TRM del día de predicción. Después de explorar diferentes rpm, llegamos a una red neuronal óptima con la siguiente estructura rpm(20:7:1), la cual alcanzó un error normalizado promedio 5 de (o un error porcentual promedio de 0.34 %) después de 7875 ciclos de entrenamiento y 2271 casos de estudio. Aquí definimos la importancia de una neurona input k, como la suma del valor absoluto de los pesos W kh que conectan esta neurona con la siguiente capa, es decir Imp(T k )= h W kh. Este valor es una medida de cuanto pesa cada neurona input en la red, o que tanta influencia tiene esta en la misma. Por comodidad, reescalaremos este cuantificador en una Importancia Normalizada usando la siguiente fórmula ImpN(T i )= Imp(T i) j Imp(T j) Como es de notar en la anterior gráfica, este análisis le ha dado una mayor relevancia a los 5 días precedentes al día de predicción (T 1 T 5 ), siendo más importante el día anterior (T 1 ) y en donde la importancia decrece en la medida que los días se alejan hacia atrás del día a predecir (Ver los valores de importancia para esta red en la tabla No. 1 del apéndice). Cabe anotar que en todas las RNA que se exploraron, los parámetros de entrada más relevantes para la predicción del valor TRM fueron los 5 días anteriores al valor de la predicción y ordenados de la misma manera como el caso anterior, además de que los días T 6 T 20 tuvieron poca relevancia en la predicción en todos estos. 4 Siendo N el número de inputs, Melnúmero de outputs, x,y,z el número de neuronas en la primera, segunda y tercera capa oculta posible. 5 El error normalizado promedio se define como: Ē = 1 N N p=1 d 0 Y 0 d

8 Mauricio Ayala Sánchez, Ruben Dario Castillo Serna Después de esto se exploró diferentes rpm, pero esta vez con solo 5 parámetros de entrada correspondientes al valor TRM de los 5 días anteriores a la predicción. Encontramos una red óptima con una estructura rpm(5:9:1), la cual logró un error promedio normalizado de después de 3100 ciclos de entrenamiento. Valor que es bastante cercano al error alcanzado por la rpm(20:7:1), salvo que esta red necesitó menos de la mitad de ciclos. Nuevamente se encontró que el día más importante para la predicción era el día anterior (T 1 ), los otros 4 días se ubicaron en un orden descendente similar al que muestra el análisis de importancia en el caso rpm(20:7:1). Para mostrar la relación causa-efecto que puede haber entre las neuronas input-output, definimos la sensibilidad de la entrada T k (o la neurona input k-ésima) como Se(T k )= Y k om Y k om, (4) siendo Y k om (Y k om ) el valor que toma Y o cuando T k toma el valor mínimo (Máximo). De otra manera, la sensibilidad es una medida de como cambia el valor output en la RNA cuando la neurona input k-ésima incrementa su valor desde el mínimo hasta el valor máximo. Para hacer esta evaluación todos los demás inputs diferentes del k-ésimo se establecen en el valor promedio. Para la rpm(5:9:1), se obtuvo que la predicción es mucho más sensible al valor del día anterior (T 1 ) y en un claro orden descendente de los días precedentes a la predicción, similar al que reporta el análisis de importancia. (Ver la tabla No. 2 en el apéndice) Después de esta fase de aprendizaje, se sometieron ambas RNA óptimas encontradas rpm(5:9:1) y rpm(20:7:1) a la prueba de validación. La cual consiste en re-entrenar cada rpm, pero escondiéndole 50 casos, que se presentarían luego a la red como test de predicción. Para esto, sometimos ambas rpm a un entrenamiento de ciclos, logrando un error normalizado medio de y para rpm(5:9:1) y rpm(20:7:1) respectivamente, y con los siguientes resultados en el test de validación. De aquí podemos observar que: la rpm(5:9:1) es la que mejores resultados de predicción y de aprendizaje 6 mostró al modelar la serie de tiempo del valor TRM. Razón por la cual, sometimos esta red a la prueba de predicciones en corto (predicciones a 1 día) y en largo (predicciones a 50 días). Encontramos una eficiencia promedio de 28,5 % y un error medio de en las predicciones a 50 días consecutivos, y una eficiencia promedio del 48 % y un error de para 50 casos aleatoriamente escogidos y no secuenciales. Esta prueba se implementó con 1000 ciclos de entrenamiento para cada caso, y un error de predicción menor o igual al 2 % Predicción del precio de cierre del dolar. Para este caso, implementamos una red perceptrón multicapa con características de aprendizaje similares al caso anterior. Los datos de entrada que se utilizaron fueron: la fecha del día de predicción (día, mes) y el precio de apertura, valor mínimo, valor máximo, precio de cierre, monto transado y número de operaciones de los tres días inmediatamente anteriores. 6 La red con el mejor error óptimo 170

9 Un modelo de predicción para el valor TRM Después de explorar diferentes rpm, llegamos a una red neuronal óptima con la siguiente estructura rpm(20:14:1), la cual alcanzó un error normalizado promedio de después de ciclos de entrenamiento. En el análisis de importancia y sensibilidad se encuentró una fuerte dependencia del precio de cierre del dolar con respecto al precio de cierre del día anterior (ver figura 9). Los siguientes valores relevantes en el análisis de sensibilidad fueron: el valor de apertura del día anterior y el valor mínimo, la apertura y el valor de cierre del día 3, lo cual indica que el modelo de redes neuronales es coherente con el análisis de velas, en donde el cierre y los valores máximo, mínimo y apertura permiten predecir una tendencia, siendo más relevante la vela del día anterior y luego la vela del 3er día. Por otro lado, en el análisis de importancia después del precio de cierre del día anterior, los valores con mayor peso fueron: el valor máximo y mínimo del día anterior junto con el mes en el que se hace la predicción. Tanto en el análisis de importancia como en el análisis de sensibilidad, el monto y el número de operaciones hechas en los 3 días anteriores no muestran mucha relevancia o casi ninguna, lo que significa que en el mercado local de divisas el volumen no necesariamente sigue la tendencia. Es muy interesante el tercer lugar de importancia que la RNA le da al mes de la predicción (ver apéndice: tabla 3), indicándonos entonces que la dinámica del mercado de dólares en Colombia depende de la época del año y no siendo relevante el día del mes. Como el lector puede notar, la importancia es un valor siempre mayor que cero, de tal manera que si una entrada a la red tiene un alto valor de importancia, implica que las decisiones que tome la red neuronal estarán fuertemente influenciadas por el valor que tome esta entrada en particular. Por otro lado, la sensibilidad de una entrada es siempre un valor mayor o igual a cero. Luego, si este parámetro es grande para un input en particular, entonces pequeños cambios en esta entrada implicarán cambios proporcionales en la respuesta de la red neuronal, de otra manera se dice que la respuesta de la red es sensible a este input particular, lo que significa que la sensibilidad puede ser una medida de relación causal entre dos parámetros. Por consiguiente, sensibilidad e importancia son cuantificadores que no significan lo mismo. Por ejemplo, en nuestro caso el mes de predicción es una variable importante para tomar decisiones sobre como se va a comportar el dolar. Sin embargo, el hecho de que se tenga un cambio de mes en la predicción, no significa que esto afecte el comportamiento del dolar, como puede ser por ejemplo el cambio de diciembre a enero. El caso contrario, en donde la entrada ocupa un lugar más destacado en sensibilidad que en importancia; como es el caso del valor mínimo3, el cual ocupa el sexto lugar en importancia pero el segundo en sensibilidad, se tiene que la red neuronal responderá sensiblemente a pequeños cambios en este parámetro, pero este no afectará tanto a las otras entradas al momento de tomar decisiones, de otra manera mínimo3 no tiene gran influencia sobre los otros parámetros en el momento de hacer una predicción. Otro caso es la variable cierre1, la cual tiene la mayor importancia y sensibilidad en la rpm 171

10 Mauricio Ayala Sánchez, Ruben Dario Castillo Serna implementada. Lo que nos indica que la red responderá sensiblemente a este parámetro, y a su vez este afectará fuertemente las otras entradas en el momento de hacer una predicción. Caso contrario es por ejemplo; el día, número de operaciones en los días 2 y 3 o el monto transado en los 3 dias anteriores, los cuales no logran afectar la respuesta de la red neuronal, ni alcanzan a influenciar las decisiones que tome la red neuronal sobre los otros parámetros. 4. Discusión y conclusiones Si bien, la capacidad que poseen las RNA para aprender y predecir no están generalmente correlacionados, este no es el caso para el mercado de divisas en Colombia. En el cual se pudo implementar con muy buenos resultados una red de tipo perceptrón con una capa oculta para cada problema de aprendizaje y predicción planteado. Para el caso de predicción del valor TRM, aunque el modelo perceptrón obtuvo unos resultados de aprendizaje eficientes tanto en una red con 5 entradas como en una red con 20 entradas (correspondientes al valor TRM de los 20 días anteriores), la primera logró una eficiencia del 90 % comparado con un 44 % en el otro caso (en el mismo Test y un error de predicción inferior o igual al 1 %). Lo que nos sugiere que el exceso de información no significa necesariamente mayor comprensión del mercado. Adicionalmente, confirmamos nuestra sospecha para este caso de predicción, que los modelos de RNA son mucho más eficientes haciendo predicciones a corto plazo que sobre períodos largos de tiempo, con una eficiencia de 48 % y 28.5 % en el primer y segundo caso respectivamente (Esto en 1000 ciclos de aprendizaje y un error de predicción inferioral 2 %). En el análisis de importancia y sensibilidad, el modelo reportó que el día con mayor peso para el mercado es el anterior a la predicción, relevancia que disminuye a medida que los días se alejan hacia atrás del día a predecir. Dicho de otra forma, el valor TRM de mañana depende fuertemente del valor TRM de hoy, dependencia que disminuye en la medida que los días se alejan hacia atrás. Indicándonos entonces que; entre más lejos esté un día de la predicción, menores serán sus posibilidades de afectar el futuro. Adicionalmente, el análisis de importancia y sensibilidad indica que si es posible predecir el mercado siguiendo la tendencia, sin embargo no todos los días son pesados de la misma manera, lo que nos lleva a considerar que un análisis de promedios móviles ponderados o exponenciales es más acertado para estudiar las tendencias, que un análisis de promedios móviles simples (pms) en donde todos los valores tienen el mismo peso. De hecho, proponemos una mejora e estos, definiendo un promedio móvil de tipo neuronal (pmn), en donde cada día es pesado según el análisis de importancia que reporta la red y que ha sido previamente normalizado, es decir pmn(n) = n ImpN(T k )T k, k=1 donde n indica el número de días que se consideran en el promedio móvil. Al hacer un 172

11 Un modelo de predicción para el valor TRM análisis comparativo entre los pms y los pmn, encontramos que los segundos anticiparon el cambio de tendencia 2 o 3 días antes que los primeros para el período comprendido en la figura 10. Lo que indica nuevamente que la información más relevante en relación con el cambio de tendencia está en los valores más recientes. Cabe anotar aquí, que todas las RNA implementadas para la predicción del valor TRM obtuvieron resultados en el entrenamiento con un error de predicción inferior al 2.5 % salvo en 2 días de operaciones (ver apéndice: tabla 4): 1. (2, sept/98 el dolar subió 6.18 %): la predicción obtuvo siempre un error superior al 4.1 % y aunque predice bien un alza, está por debajo del valor deseado. 2. (9, agost/02 el dolar cayó 3.06 %): la predicción obtuvo siempre un error superior al 3.5 % y aunque predice bien una baja, está por encima del valor deseado. Para el otro caso, en el modelo de predicción del precio de cierre del dolar, la rpm óptima encontrada logró resultados de entrenamiento similares al implementado para el valor TRM, con un error de aprendizaje del orden de 0.33 % (o un error medio normalizado de ). Aquí la red neuronal le da mayor relevancia al precio de cierre del día anterior, diciéndonos que el precio de cierre del dolar en el día de mañana depende sensiblemente del precio de cierre del día de hoy. El modelo mostró ser coherente con el análisis de velas, siendo más relevante la vela del día anterior y luego la vela del 3er día. Sin embargo, tuvo poca o casi ninguna relevancia el monto y el número de operaciones hechas en los 3 días anteriores, lo cual significa que el volumen no necesariamente sigue la tendencia. De otra manera, hay un mercado que se mantiene, así el dolar esté a la baja o al alza. En cuanto al tercer lugar de importancia para la predicción que la RNA le da al mes, se puede explicar en la siguiente figura, si se observa que en la última década el mercado de divisas ha tenido por lo regular: un comportamiento alcista en agosto, septiembre y la primera mitad de octubre; de soporte en la segunda mitad de enero, febrero, marzo y la primera mitad de abril; y con tendencia a la baja en noviembre para algunos años. Confirmando esto, que el mercado local se inclina a mantener un tendencia diaria promedio según la época del año. Agradecimientos Los autores desean expresar su gratitud a Angélica Muñoz Castellanos por los comentarios y apuntes hechos a este trabajo. 173

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Neuronas Artificiales

Neuronas Artificiales Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante

Más detalles

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

Indicadores matemáticos para el análisis técnico de precios

Indicadores matemáticos para el análisis técnico de precios ANÁLISIS TÉCNICO DE PRECIOS Nota técnica Joaquín Arias Segura Ph.D i Especialista Regional en Políticas y Negociaciones Comerciales para la Región Andina Instituto Interamericano de Cooperación para la

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

Aplicación de redes expertas para la predicción de tendencias del mercado financiero

Aplicación de redes expertas para la predicción de tendencias del mercado financiero Aplicación de redes expertas para la predicción de tendencias del mercado financiero Aplicación de redes expertas para la predicción de tendencias del mercado financiero Ing. Mario M. Figueroa de la Cruz,

Más detalles

Agentes neuronales para invertir en bolsa en el simulador MAStock

Agentes neuronales para invertir en bolsa en el simulador MAStock Agentes neuronales para invertir en bolsa en el simulador MAStock Rafael Castillo, Gabriel Prat Departament de Llenguatges i Sistemes Informàtics (LSI) Universitat Politècnica de Catalunya (UPC) rafael@lsiupces;

Más detalles

CAPÍTULO 4 USO Y MANEJO DE LOS INSTRUMENTOS NEGOCIADOS EN EL MEXDER

CAPÍTULO 4 USO Y MANEJO DE LOS INSTRUMENTOS NEGOCIADOS EN EL MEXDER CAPÍTULO 4 USO Y MANEJO DE LOS INSTRUMENTOS NEGOCIADOS EN EL MEXDER En este capítulo se especificará el uso y el manejo que se le da a los instrumentos que son negociados en nuestro mercado de derivados,

Más detalles

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Más detalles

ENCAJE MARGINAL Y DESARROLLO DEL MERCADO DE CAPITALES

ENCAJE MARGINAL Y DESARROLLO DEL MERCADO DE CAPITALES ENCAJE MARGINAL Y DESARROLLO DEL MERCADO DE CAPITALES Introducción Por José Darío Uribe 1 Quiero aprovechar esta oportunidad para contestar dos preguntas que, imagino, muchos de ustedes querrán hacerme

Más detalles

RE O DEVALUACION DEL PESO?

RE O DEVALUACION DEL PESO? RE O DEVALUACION DEL PESO? Vanessa Ramos Andrea López Juan Felipe Estrada Alejandro Fernández Alberto Vidal Tabla de Contenido Introducción. Causas de una revaluación. Consecuencias de la revaluación.

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

MÉTODOS AVANZADOS DE PREVISIÓN APLICADOS AL MERCADO CONTÍNUO DE VALORES.

MÉTODOS AVANZADOS DE PREVISIÓN APLICADOS AL MERCADO CONTÍNUO DE VALORES. MÉTODOS AVANZADOS DE PREVISIÓN APLICADOS AL MERCADO CONTÍNUO DE VALORES. Raúl Pino Diez José Parreño Fernández David de la Fuente García E-Mail: pino@etsiig.uniovi.es Dpto. de Administración de Empresas

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

SUPERINTENDENCIA FINANCIERA DE COLOMBIA. Gestión Alternativa. Agosto INFORME DEL GESTOR

SUPERINTENDENCIA FINANCIERA DE COLOMBIA. Gestión Alternativa. Agosto INFORME DEL GESTOR V I G I L AD O SUPERINTENDENCIA FINANCIERA DE COLOMBIA INFORME DEL GESTOR Agosto Comentario de Mercado El mes de agosto presentó un nuevo mes donde el mercado se sigue normalizando, si no en sus expectativas,

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

NOTA EDITORIAL CONTRIBUCIÓN A LA DISCUSIÓN DEL PANEL 12 DE LA CONFERENCIA ANUAL ESTABILIDAD FINANCIERA, POLÍTICA MONETARIA Y BANCA CENTRAL

NOTA EDITORIAL CONTRIBUCIÓN A LA DISCUSIÓN DEL PANEL 12 DE LA CONFERENCIA ANUAL ESTABILIDAD FINANCIERA, POLÍTICA MONETARIA Y BANCA CENTRAL NOTA EDITORIAL CONTRIBUCIÓN A LA DISCUSIÓN DEL PANEL 12 DE LA CONFERENCIA ANUAL ESTABILIDAD FINANCIERA, POLÍTICA MONETARIA Y BANCA CENTRAL Nos dirigimos hacia una crisis global masiva y es poco lo que

Más detalles

Máster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo

Máster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo Máster de Visión Artificial Asignatura: Aplicaciones Industriales Práctica puntuable Reconocimiento Manuscrito Orión García Gallardo INTRODUCCIÓN La escritura a mano ha persistido como medio de comunicación

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

GIROS Y FINANZAS COMPAÑÍA DE FINANCIAMIENTO S.A.

GIROS Y FINANZAS COMPAÑÍA DE FINANCIAMIENTO S.A. GIROS Y FINANZAS COMPAÑÍA DE FINANCIAMIENTO S.A. Santiago de Cali, Mayo 25 de 2011 PERSPECTIVAS DEL MERCADO CAMBIARIO EN COLOMBIA Y MECANISMOS DE COBERTURA Por: JUAN CAMILO BOCANEGRA AGENDA CONTEXTO ACTUAL

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES OSCAR EDUARDO CASTELLANOS VARGAS JORGE MARIO JARAMILLO JARAMILLO PONTIFICIA UNIVERSIDAD JAVERIANA

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD Vol. XXXVI, n.º 135 julio-septiembre 2007 pp. 649-653 649 Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco

Más detalles

Neural Tools y Credit Scoring

Neural Tools y Credit Scoring Bienvenidos Neural Tools y Credit Scoring Foro de Análisis de Riesgos y Decisiones para Latinoamérica 2011 2 / Junio / 2011 - México Presentado por Gustavo Vinueza, Msc.Finanzas gvinueza@palisade.com Consultor

Más detalles

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

UNIVERSIDAD SANTO TOMÁS - BOGOTÁ FACULTAD DE ESTADÍSTICA Plan de Trabajo Semestral Asignatura: MATEMÁTICAS FINANCIERAS

UNIVERSIDAD SANTO TOMÁS - BOGOTÁ FACULTAD DE ESTADÍSTICA Plan de Trabajo Semestral Asignatura: MATEMÁTICAS FINANCIERAS UNIVERSIDAD SANTO TOMÁS - BOGOTÁ FACULTAD DE ESTADÍSTICA Plan de Trabajo Semestral Asignatura: MATEMÁTICAS FINANCIERAS Semestre: TERCERO Administración de Empresas, Primer semestre 2010 Profesor: John

Más detalles

VIII. Dinero y Bancos

VIII. Dinero y Bancos VIII. Dinero y Bancos Dinero y Bancos Durante el primer trimestre de 28 las colocaciones a plazo del sector privado no financiero acumularon un crecimiento de $ 6.531 millones. Este dinamismo alcanzó de

Más detalles

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2 Clasificación de consumidores eléctricos mediante el uso de varias técnicas de redes neuronales artificiales, e identificación de nuevos clientes con las redes entrenadas S. Valero, M. Ortiz, C. Senabre,

Más detalles

Optimización de portafolios para un Asegurador de Depósitos considerando la dinámica de su pasivo contingente

Optimización de portafolios para un Asegurador de Depósitos considerando la dinámica de su pasivo contingente 2013 Optimización de portafolios para un Asegurador de Depósitos considerando la dinámica de su pasivo contingente No. 5 Agosto de 2013. 1 Dirección María Inés Agudelo Directora Subdirección de Inversiones,

Más detalles

Perceptrón Multicapa. Aplicaciones

Perceptrón Multicapa. Aplicaciones Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales

Más detalles

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales.

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales. 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Predicción del índice IBEX-35 aplicando Máquinas de

Más detalles

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Emilio Soria Olivas! Antonio José Serrano López! Departamento de Ingeniería Electrónica! Escuela Técnica Superior de Ingeniería!

Más detalles

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO Jorge Galbiati Riesco En este apunte se da una visión general sobre algunos procedimientos en el análisis en series de tiempo. Inicialmente presentamos

Más detalles

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico.

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. 7071 Febrero, 2014 Resumen Es importante señalar que en un entorno social

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero.

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero. Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: ECO Análisis avanzado de datos Semestre: Primero Econometría [1] Asignatura: ECO Análisis avanzadas de datos Formación: Obligatoria

Más detalles

UTILIZACIÓN DE REDES NEURONALES PARA LA GENERACIÓN DE ANALIZADORES VIRTUALES 1. Carlos Lago. Carlos Ruiz 2

UTILIZACIÓN DE REDES NEURONALES PARA LA GENERACIÓN DE ANALIZADORES VIRTUALES 1. Carlos Lago. Carlos Ruiz 2 UTILIZACIÓN DE REDES NEURONALES PARA LA GENERACIÓN DE ANALIZADORES VIRTUALES 1 Carlos Lago YPF SA Centro de Tecnología Aplicada CCNro 7, 1925 Ensenada, Pcia de Buenos Aires, Argentina e-mail: clago@emailypfcomar

Más detalles

PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN. Departamento de Matemática Aplicada, Estadística e Investigación Operativa (2)

PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN. Departamento de Matemática Aplicada, Estadística e Investigación Operativa (2) PREVISIÓN DE VENTAS EN EL SECTOR DE LA GRAN DISTRIBUCIÓN Mikel Lezaun (1), Agueda Madoz (1), Maider Mateos (1), Fernando Tusell (2) (1) Departamento de Matemática Aplicada, Estadística e Investigación

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

El presente estudio presenta un

El presente estudio presenta un LAS REDES NEURONALES ARTIFICIALES COMO UNA HERRAMIENTA DE ANÁLISIS EN LA DE- TERMINACIÓN DE LAS EMPRESAS QUE PERMANECEN LISTADAS O DESLISTADAS DENTRO DE LA BOLSA MEXICANA DE VALORES ARTIFICIAL NEURAL NETWORKS

Más detalles

Capítulo 1: Introducción al análisis técnico y conceptos básicos de un gráfico de precios

Capítulo 1: Introducción al análisis técnico y conceptos básicos de un gráfico de precios Capítulo 1: Introducción al análisis técnico y conceptos básicos de un gráfico de precios 6 Las acciones Las acciones son títulos emitidos por una empresa que representa parte de lo que vale (en dinero)

Más detalles

Aplicación de las redes neuronales a la previsión del stock en empresas Pool

Aplicación de las redes neuronales a la previsión del stock en empresas Pool Aplicación de las redes neuronales a la previsión del stock en empresas Pool Oscar Sapena, Vicente Botti, Estefanía Argente Departamento Sistemas Informáticos y Computación Universidad Politécnica Valencia,

Más detalles

Colección Mercados M-2

Colección Mercados M-2 El VaR Pablo García Estévez Diciembre 2008. M-2 1. Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. El VaR es una

Más detalles

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de trading G e s T r a d i n g S t r a t e g i e s 2 INTRODUCCIÓN

Más detalles

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.

Más detalles

XXI INFORME SOBRE EL MERCADO DE LA VIVIENDA -primer semestre de 2015-

XXI INFORME SOBRE EL MERCADO DE LA VIVIENDA -primer semestre de 2015- 1 Coordinador del Informe: Jose García-Montalvo 4 Autores del Informe: Josep Maria Raya 3,4 y Luis Díaz 1,2 1 Departamento de Economía, Universitat Rovira i Virgili (URV) 2 Grupo de investigación en Economía

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID d e p a r t a m e n t o d E 0.8 300 0.6 I O 0.4 250 0.2 50 100 200 150 200 250 www.eio.uva.es 300 150 universidad de valladolid e s t a d í s t i c a Ver.norm media desv. estand. o p e r a t i v a i n

Más detalles

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información

Más detalles

Esther Pueyo Paules Teoría (primavera) Despacho: D3.20 epueyo@unizar.es

Esther Pueyo Paules Teoría (primavera) Despacho: D3.20 epueyo@unizar.es Asignatura: 11943 SEÑALES Y SISTEMAS II Área: TEORÍA DE LA SEÑAL Y COMUNICACIONES Departamento: INGENIERÍA ELECTRÓNICA Y COMUNICACIONES Plan de estudios: INGENIERO EN TELECOMUNICACIÓN (Plan 94) Curso:

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

ESTADO DEL ARTE: ELASTICIDAD PRECIO, INGRESO Y CRUZADA DE LOS SERVICIOS DE TELECOMUNICACIONES EN COLOMBIA

ESTADO DEL ARTE: ELASTICIDAD PRECIO, INGRESO Y CRUZADA DE LOS SERVICIOS DE TELECOMUNICACIONES EN COLOMBIA ELASTICIDAD PRECIO, INGRESO Y CRUZADA DE LOS SERVICIOS DE TELECOMUNICACIONES EN COLOMBIA Por: YENNY GARCÍA ORTIZ Profesional de proyectos CINTEL Resumen El concepto de elasticidad para la toma de decisiones

Más detalles

Control de velocidad de un motor de CD con un controlador PID Wavenet

Control de velocidad de un motor de CD con un controlador PID Wavenet ELECTRÓNICA ReCIBE, Año 3 No.1, Enero 2014 Control de velocidad de un motor de CD con un controlador PID Wavenet Abraham Christian Pedroza Araujo Universidad Politécnica de Texcoco, Prolongación de Arteaga

Más detalles

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia SERIES TEMPORALES Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) ESQUEMA DE CONTENIDOS Medias móviles Series Temporales Análisis de la serie Análisis de la tendencia Método

Más detalles

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Dr. Carlos L. Jave Gutiérrez

Dr. Carlos L. Jave Gutiérrez PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010-2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al

Más detalles

TEMA 6 Redes de Neuronas Artificiales

TEMA 6 Redes de Neuronas Artificiales TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios

Más detalles

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH 1) DEFINICIÓN Las series de tiempo llamadas también series cronológicas o series históricas son un conjunto de datos numéricos que se obtienen en períodos regulares

Más detalles

CAPITULO 2 MARCO TEORICO 2.1 REDES RECURRENTES

CAPITULO 2 MARCO TEORICO 2.1 REDES RECURRENTES CAPITULO 2 MARCO TEORICO 2.1 REDES RECURRENTES Las redes recurrentes son estructuras que tienen una gran importancia en el área de RNA. Las más populares son los modelos de Hopfield, en donde se presenta

Más detalles

Manual de términos. Módulo de Análisis Técnico

Manual de términos. Módulo de Análisis Técnico Manual de términos Módulo de Análisis Técnico Disclaimer La información recogida en esta presentación ha sido elaborada por la Bolsa de Valores de Colombia (BVC) y tiene como objetivo ofrecer a los lectores

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

MODELOS DE CÁLCULO DE LA VOLATILIDAD *

MODELOS DE CÁLCULO DE LA VOLATILIDAD * MODELOS DE CÁLCULO DE LA VOLATILIDAD * Uno de los objetivos principales perseguidos en el análisis de series temporales es poder predecir de la manera más aproximada el comportamiento futuro que pueden

Más detalles

Nombre : OPTATIVA II: MERCADOS FINANCIEROS. Programa : ADMINISTRACIÓN DEL COMERCIO EXTERIOR Nivel : ESPECIALIZACIÓN Plan : 2012

Nombre : OPTATIVA II: MERCADOS FINANCIEROS. Programa : ADMINISTRACIÓN DEL COMERCIO EXTERIOR Nivel : ESPECIALIZACIÓN Plan : 2012 Nombre : OPTATIVA II: MERCADOS FINANCIEROS. Programa : ADMINISTRACIÓN DEL COMERCIO EXTERIOR Nivel : ESPECIALIZACIÓN Plan : 2012 PROYECTO INTEGRADOR ACADÉMICOS PERFIL DEL DOCENTE UNIDAD DE COMPETENCIA El

Más detalles

Héctor Tabares 1 *, Jesús Hernández 2. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia. Apartado Aéreo 1226.

Héctor Tabares 1 *, Jesús Hernández 2. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia. Apartado Aéreo 1226. Rev. Fac. Ing. Univ. Antioquia N. N.º 46. Diciembre, pp. 110-118. 2008 Diciembre, 2008 Mapeo curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín,

Más detalles

DataCrédito está con usted en los momentos de verdad

DataCrédito está con usted en los momentos de verdad DataCrédito está con usted en los momentos de verdad 2 Su progreso es nuestra visión Introducción 3 DataCrédito en un momento Innovación, tecnología, conocimiento y servicio. En DataCrédito trabajamos

Más detalles

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial.

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial. UNIVERSIDAD DE ORIENTE NÚCLEO DE MONAGAS POST GRADO EN CIENCIAS ADMINISTRATIVAS MENCIÓN FINANZAS FINANZAS INTERNACIONALES Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la

Más detalles

El problema de la mayoría de las personas e instituciones, es la conservación de sus

El problema de la mayoría de las personas e instituciones, es la conservación de sus 2 1.1 Introducción. El problema de la mayoría de las personas e instituciones, es la conservación de sus documentos escritos, especialmente cuando éstos tienen un siglo de antigüedad. Es por esto que se

Más detalles

Análisis Técnico estadístico Principales indicadores y su aplicación al ISR

Análisis Técnico estadístico Principales indicadores y su aplicación al ISR Análisis Técnico estadístico Principales indicadores y su aplicación al ISR Juan Pablo Graziano Contador Público cursos@bcr.com.ar Marzo 21 "Los conceptos, datos y opiniones vertidas en los artículos,

Más detalles

Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores

Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores Información Tecnológica Aplicación Vol. 23(4), de 11-20 las (2012) Redes Neuronales al Pronóstico de Precios en el Mercado doi: 10.4067/S0718-07642012000400003 Aplicación de las Redes Neuronales al Pronóstico

Más detalles

CAPÍTULO 2: MARCO TEÓRICO. El término inversión significa la asignación de fondos para la adquisición de valores o de

CAPÍTULO 2: MARCO TEÓRICO. El término inversión significa la asignación de fondos para la adquisición de valores o de CAPÍTULO 2: MARCO TEÓRICO 2.1. Valores El término inversión significa la asignación de fondos para la adquisición de valores o de bienes reales con el fin de obtener una utilidad o un interés. [2] Los

Más detalles

Como construir carteras eficientes a medida

Como construir carteras eficientes a medida Un caso práctico desarrollado por el programa EFE 2000 de la empresa SciEcon Como construir carteras eficientes a medida El diseño de carteras eficientes involucra siempre un proceso de optimización. Si

Más detalles

GRÁFICOS DE CONTROL DE SHEWHART

GRÁFICOS DE CONTROL DE SHEWHART GRÁFICOS DE CONTROL DE SHEWHART Jordi Riu Grupo de Quimiometría, Cualimetría y Nanosensores Universitat Rovira i Virgili Campus Sescelades C/ Marcel lí Domingo s/n 43007-Tarragona Introducción Uno de los

Más detalles

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD 4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,

Más detalles

Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta

Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta José Porras Galán Doctor Ingeniero Industrial del I.C.A.I. y profesor colaborador asistente. Desde 1996 imparte clases en la

Más detalles

Actividad económica y desarrollo financiero: una aproximación desde un VAR panel (1980 2011)

Actividad económica y desarrollo financiero: una aproximación desde un VAR panel (1980 2011) Actividad económica y desarrollo financiero: una aproximación desde un VAR panel (1980 2011) Jacobo Campo Robledo Dennis Sánchez Navarro Juan Pablo Herrera Saavedra Jenny-Paola Lis-Gutiérrez Superintendencia

Más detalles

INFORME DEL ADMINISTRADOR DICIEMBRE 2015

INFORME DEL ADMINISTRADOR DICIEMBRE 2015 INFORME DEL ADMINISTRADOR DICIEMBRE 2015 Coyuntura Internacional Coyuntura Nacional Análisis Dafuturo Informe de Fondos Los datos e información de este informe no deberán interpretarse como una asesoría,

Más detalles

Tema 5. Reconocimiento de patrones

Tema 5. Reconocimiento de patrones Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores

Más detalles