Palabras clave
Cómo citar
Resumen
Las redes neuronales realizan un proceso de aprendizaje sobre un conjunto de datos conocidos, desarrollan algoritmos que solo afectan a características conocidas y pueden predecir el comportamiento probable del mismo tipo de conjunto de datos en un área determinada. En este trabajo se presenta el contenido teórico y los métodos de aprendizaje supervisado con una arquitectura de aprendizaje profundo, con el objetivo de obtener predicciones del precio de las acciones considerando diferentes tipos de modelos, utilizando herramientas computacionales especiales y comparándolos posteriormente. Entre los principales resultados y conclusiones se muestra que, entre los modelos de redes neuronales analizados, el mejor modelo es el modelo forward debido a que se utilizan como variables predictoras el precio de apertura, precio de cierre, precio alto y precio bajo, lo que en cierto sentido lo hace. Las arquitecturas más robustas proporcionan mejores resultados. Dado que los resultados dinámicos materiales no son óptimos, se recomienda incluirlos en el análisis posterior del mismo tema.
Citas
Arango, F.O., & Llanos, A.I.C. (2012). Modelado del comportamiento del tipo de cambio peso-dólar mediante redes neuronales diferenciales. Estocástica: finanzas y riesgo, 2(1), 49-63. https://doi.org/10.24275/uam/azc/dcsh/efr/2012v2n1/Ortiz
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. https://revistas.udem.edu.co/index.php/economico/article/view/277
Asanza, W.R., & Olivo, B.M. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH, 1(4), 5.
Conti, D., Simó, C., & Rodríguez, A. (2005). Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA). Ciencia e Ingeniería, 26(1), 35-42.
Dávila, M.K.L., & Ordóñez, L.B.T. (2021). Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de literatura. INNOVA Research Journal, 6(3), 270-287. https://doi.org/10.33890/innova.v6.n3.2021.1790
Díaz, H., & Sosa, M. (2018). Inclusión financiera y ahorro en México: un análisis logístico binario y de redes neuronales artificiales. Estocástica: finanzas y riesgo, 8(1), 53-84. https://www.doi.org/10.24275/uam/azc/dcsh/efr/2018v8n1/Diaz
Díaz Rodríguez, H.E., Sosa Castro, M., & Cabello Rosales, A. (2019). Determinantes del endeudamiento de los hogares en México: un análisis con redes neuronales. Problemas del desarrollo, 50(199), 115-140. https://doi.org/10.22201/iiec.20078951e.2019.199.67463
Duque, F.V., Trejos, W.M., & Henao, M.A. (2006). Pronóstico de las tasas de cambio. Una aplicación al Yen Japonés mediante redes neuronales artificiales. Scientia et technica, 1(30). https://revistas.utp.edu.co/index.php/revistaciencia/article/view/6539
Gallegos, J.D.C. (2005). Las redes neuronales artificiales en las finanzas. Industrial Data, 8(2), 0. https://www.redalyc.org/articulo.oa?id=81680205
García Salgado, O., & Morales Castro, A. (2016). Desempeño financiero de las empresas: una propuesta de clasificación por RNA¹. Dimensión empresarial, 14(2), 11-23. http://dx.doi.org/10.15665/rde.v14i2.686
Herrera, J.B. (2008). El Caos y las Redes Neuronales en la Economía y Finanzas Interpretando el desorden perfecto: Modelado y predicción. Pensamiento Crítico, 8, 131-142. https://doi.org/10.15381/pc.v8i0.9156
Jiménez Caballero, J.L. (2000). Utilización de redes neuronales en finanzas. Futuro e Perspectivas. X Jornadas Luso-Espanholas de Gestão Científica. https://hdl.handle.net/11441/143655
Jiménez Caballero, J.L., & Ruiz Martínez, R.J. (2000). Las redes neuronales en su aplicación a las finanzas. Banca & Finanzas, 54, 19-26.
Lastre-Valdés, M.M. (2015). Predicción de insolvencia, confiabilidad y calidad de los sistemas organizaciones. Ciencias Holguín, 21(4), 1-14.
Madrid, A., Chaparro, A., Bustos, R., & Ríos, A. (2011). Diseño de una herramienta de planificación estratégica aplicando teoría de redes neuronales artificiales. Revista Internacional Administracion & Finanzas, 4(4). http://ssrn.com/abstract=1952137
Martín, F.F., & Gutiérrez, M.C.L. (2003). Interdisciplinariedad y multidisciplinariedad en aplicaciones a las finanzas. Revista de economía y empresa, 20(49), 51-66.
Mercado Polo, D., Pedraza Caballero, L., & Martínez Gómez, E. (2015). Comparación de Redes Neuronales aplicadas a la predicción de Series de Tiempo. Prospectiva, 13(2), 88-95. http://dx.doi.org/10.15665/rp.v13i2.491
Ortiz Arango, F., Cabrera Llanos, A.I., & López Herrera, F. (2013). Pronóstico de los índices accionarios DAX y S&P 500 con redes neuronales diferenciales. Contaduría y administración, 58(3), 203-225. https://doi.org/10.1016/S0186-1042(13)71227-0
Pérez Ramírez, F.O., & Fernández Castaño, H. (2007). Las redes neuronales y la evaluación del riesgo de crédito. Revista Ingenierías Universidad de Medellín, 6(10), 77-91.
Rego, A.Z., López, I.P., & Bringas, P.G. (2020). Inteligencia artificial: una aproximación desde las finanzas. Boletín de estudios económicos, 75(229), 99-117.
Rosales, S.G., Ramos, I.R., & Cuervo, C.M. (2003). Revisión del estado del arte de la aplicación de redes neuronales artificiales en economía y finanzas. In Emergent solutions for the information and knowledge economy: proceedings of the Tenth International Association for Fuzzy-Set Management and Economy Congress (pp. 167-184). Secretariado de Publicaciones y Medios Audiovisuales.
Ruiz, D.C., & Gavino, G.Q. (2011). Aplicación del algoritmo Backpropagation de redes neuronales para determinar los niveles de morosidad en los alumnos de la Universidad Peruana Unión. Revista de Investigación Business Intelligence, 1(2). https://revistas.upeu.edu.pe/index.php/ri_bi/article/view/908
Salgado, O.G. (2014). Empresas exitosas y no exitosas que cotizan en la BMV del Sector Comercial: Una clasificación con Análisis Discriminante Múltiple, Modelos Logit y Redes Neuronales Artificiales. Estocástica: finanzas y riesgo, 4(1), 33-62. https://www.doi.org/10.24275/uam/azc/dcsh/efr/2014v4n1/Garcia
Sosa Sierra, M.C. (2007). Inteligencia artificial en la gestión financiera empresarial. Pensamiento & Gestión, (23), 153-186. http://www.redalyc.org/articulo.oa?id=64602307
Villamil Torres, J.A., & Delgado Rivera, J.A. (2007). Entrenamiento de una red neuronal multicapa para la tasa de cambio euro-dólar (EUR/USD). Ingeniería e investigación, 27(3), 106-117.
Villada, F., Muñoz, N., & García, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información tecnológica, 23(4), 11-20. http://dx.doi.org/10.4067/S0718-07642012000400003
Weber, R. (2000). Data Mining en la empresa y en las finanzas utilizando tecnologías inteligentes. Revista Ingeniería de Sistemas, 14(1), 61-78.
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.