Palavras-chave
Como Citar
Resumo
As redes neurais realizam um processo de aprendizagem em um conjunto de dados conhecido, desenvolvem algoritmos que afetam somente as características conhecidas e podem prever o comportamento provável do mesmo tipo de conjunto de dados em uma determinada área. Este artigo apresenta o conteúdo teórico e os métodos de aprendizagem supervisionada com uma arquitetura de aprendizagem profunda, com o objetivo de obter previsões de preços de ações considerando diferentes tipos de modelos, usando ferramentas computacionais especiais e comparando-os posteriormente. Entre os principais resultados e conclusões, mostra-se que, entre os modelos de rede neural analisados, o melhor modelo é o modelo forward, devido ao fato de que o preço de abertura, o preço de fechamento, o preço alto e o preço baixo são usados como variáveis preditoras, o que, de certa forma, o torna. Arquiteturas mais robustas fornecem melhores resultados. Como os resultados dinâmicos do material não são ideais, recomenda-se incluí-los na análise posterior do mesmo tópico.
Referências
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.
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.