tesis rna en finanzas, udec
Post on 24-Jun-2015
1.096 Views
Preview:
TRANSCRIPT
Redes Neuronales Artificiales, una herramienta para las Finanzas
1
UNIVERSIDAD DE CONCEPCIÓN FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS
DEPARTAMENTO DE ADMINISTRACIÓN
REDES NEURONALES ARTIFICIALES, UNA
HERRAMIENTA PARA LAS FINANZAS. APLICACIÓN A LA PREDICCIÓN DEL PRECIO DEL COBRE TR ANSADO EN LA
BOLSA DE METALES DE LONDRES, PERIODO 1996-2006.
Katharine Richter Grez
Daniela Toro González
Profesor Guía
Rigoberto Parada Daza
Diciembre 2006
Redes Neuronales Artificiales, una herramienta para las Finanzas.
2
A Dios, a mis padres, hermana, nonito, familia, amigas y a todos los que de alguna manera han contribuido a mi formación personal y profesional. Agradezco el apoyo y cariño que siempre me han brindado en todo momento y me siento muy privilegiada de tenerlos a todos. Daniela Toro González. Dedicado a los maravillosos padres que la vida me regaló, gracias por sus esfuerzos diarios, su apoyo incondicional, su paciencia y amor de siempre. Son el pilar de mi vida y todos mis logros se los debo a uds.
Katharine Richter Grez.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
3
AGRADECIMIENTOS
Queremos agradecer a todos aquellos profesores que de una u otra forma ayudaron con el
desarrollo de esta investigación, especialmente a Rigoberto Parada D, profesor guía de ésta
investigación que aportó con toda su experiencia y trayectoria; y Ricardo Contreras A, profesor
del Departamento de Informática de la Universidad de Concepción quien fue pilar fundamental
en el entendimiento de las RNA y que tuvo la paciencia de recibirnos en su oficina cada vez que
necesitamos de su ayuda.
Sin embargo, no queremos dejar de nombrar a:
• Ángelo Benvenuto, Profesor FACEA Universidad de Concepción
• Eugenio Bobenrieth Profesor FACEA Universidad de Concepción
• Cristian Muñoz, Profesor FACEA Universidad de Concepción, Socio Afitrading.
• Antonino Parisi, Profesor FACEA Universidad de Chile
• Hernán Merino, Ingenieros Comerciales, Banco Central
• Jean Pierre Brunel, Ingeniero Comercial, COCHILCO
Quienes ayudaron tanto en la comprensión del tema en estudio como en la logística de la
elaboración de la investigación.
Agradecer también a todas los trabajadores de las corredoras que amablemente se dieron el
tiempo de responder la encuesta que les fue enviada, aportando con sus respuestas a tener un
visión de qué esta sucediendo con las RNA en Chile.
Finalmente, pero no menos importante, agradecer a Francisco Richter S; quien nos inspiró y
motivó a estudiar las RNA y elegirlas como tema de investigación. Junto con acompañarnos a lo
largo del todo el proceso animándonos y alentándonos a continuar en un tema, que en un inicio,
era muy ajeno a nuestros conocimientos.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
4
RESUMEN
El constante dinamismo de las sociedades y los mercados, obliga ir buscando nuevas
herramientas que vayan a la par con el desarrollo y que permitan tomar decisiones en forma
eficiente, eficaz y correcta. Es así como nacen las Redes Neuronales Artificiales (RNA) que son
Sistemas de procesamiento que copian esquemáticamente la estructura neuronal del cerebro para
tratar de reproducir y mejorar sus capacidades.
Las RNA se han desarrollado en diversos ámbitos, en esta investigación se destaca su uso en el
área financiera. Se han realizado múltiples estudios y aplicaciones de éstas en los distintos
campos de las finanzas, habiendo un número considerable de estudios que muestran importantes
resultados en el área. Principalmente se han usado para la predicción de precios.
El cobre, es un commodities relevante para el desarrollo de Chile, por lo que fue elegido como
instrumento de prueba para la aplicación de RNA. A lo largo de la investigación se desarrollan
50 simulaciones con diferentes características tanto en su configuración como en sus variables de
entrada y períodos; logrando resultados interesante y atractivos de analizar. Se dividió el período
analizado en dos partes, para poder estudiar las RNA frente a distintos comportamientos de
precios (períodos con precios estables y otro de precios fluctuantes), además se diseñaron dos
modelos distintos con respecto a los determinantes del precio del cobre; un modelo solo siendo
determinado por precios de días anteriores del commodities y otro teniendo variables
macroeconómicas como determinantes.
Las RNA puede ser una herramienta generadora de ventajas competitivas, especialmente para
aquellas empresas de inversiones. Se realizó una encuesta a 16 de las principales corredoras del
país, preguntando por el uso de las RNA como una herramienta para las finanzas. La realidad
nacional denota una subutilización de esta herramienta en las finanzas, específicamente en la
predicción de precios. No existe un conocimiento acabado de las RNA, lo que limita su uso y
aplicación.
Las principales conclusiones de la investigación son con respecto a la efectividad de esta
herramienta y su uso en el ámbito nacional.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
5
ÍNDICE
Dedicatoria 2 Agradecimientos 3 Resumen 4 Índice 5 Introducción 7 Capítulo 1: Redes Neuronales Artificiales 10 1. Redes neuronales 11
1.1 Redes neuronales biológicas 11 1.2 Redes neuronales artificiales 13 1.2.1 Estructura de una red neuronal 15 1.2.1.1 Capas 15 1.2.1.2 Funciones 15 1.2.2. Características de las redes neuronales 17 1.2.3. Tipos de redes neuronales artificiales 18 1.2.3.1 Según aprendizaje 18 1.2.3.2 Según las capas 18 1.2.3.3 Según la conexión 19 1.2.3.4 Según topologías clásicas 19 1.2.3.5 Según procesamiento 22 1.2.4. Ventajas que ofrecen las RNA 23 1.2.5 Desventajas que ofrecen las RNA 24
Capítulo 2: Aplicación de las Redes Neuronales Artificiales a las Finanzas 25 2. Aplicación de las redes neuronales en finanzas 26 2.1 RNA aplicadas a distintas áreas 26 2.2 RNA aplicadas a las finanzas 27 2.2.1 Finanzas corporativas 29 2.2.2 Aprobación de créditos 30 2.2.3 Análisis de condiciones financieras 30 2.2.4 Riesgo de quiebra de una empresa 31 2.2.5 Clasificación de bonos 31 2.2.6 Valoración de nuevos instrumentos 32 2.2.7 Análisis técnico 32 2.2.8 Análisis fundamental 33 2.2.9 Otras aplicaciones 34 Capítulo 3: Aplicación de las RNA en la Predicción del Precio del cobre 35 3. Aplicación de redes neuronales artificiales en la predicción del precio del cobre. 36 3.1 Cobre 36 3.2 Principales usos del cobre 37 3.3 Agentes participantes del mercado del cobre 38 3.3.1 Mercado físico 38 3.3.1.1 Productores 38 3.3.1.2 Intermediarios 39 3.3.1.3 Consumidores 39 3.3.2 Mercado financiero 40 3.3.2.1 Especuladores 40 3.3.2.2 Inversionistas 41 3.4 Proceso de formación del precio del cobre 41
Redes Neuronales Artificiales, una herramienta para las Finanzas.
6
3.5 Determinantes del precio del cobre 42 3.5.1 Modelos de precios del cobre 43 3.5.1.1 Modelo de precio 43 3.5.1.2 Modelo de múltiples variables 44 3.6 Neurosolution 4 46 3.6.1 Herramientas modificables del Neuralbuilder 47 3.6.1.1 Tipo de red (según topología) 47 3.6.1.2 Porcentaje de validación cruzada 47 3.6.1.3 Porcentaje de testing 47 3.6.1.4 Capas ocultas 47 3.6.1.5 Número de neuronas 48 3.6.1.6 Función de activación 48 3.6.1.7 Step size 48 3.6.1.8 Momentum: 49 3.6.1.9 Épocas: 49 3.6.2 Medidas de resultado 49 3.6.2.1 MSE 49 3.6.2.2 NMSE 50 3.6.2.3 Coeficiente de correlación 50 3.6.2.4 Porcentaje de error 51 3.6.2.5 AIC 51 3.6.2.6 MDL 51 3.7 Aplicación de las redes neuronales 52 3.8 Resultados modelos de RNA 55 3.8.1 En periodo Enero 1996 - Diciembre 2004 55 3.8.1.1 Modelo de precio 55 3.8.1.2 Modelo de múltiples variables 56 3.8.2 En periodo Enero 2005 - Junio 2006 57 3.8.2.1 Modelo de precio 57 3.8.2.2 Modelo de múltiples variables 58 3.9 Análisis de resultados modelos de rna 59 3.9.1 Análisis precio del cobre periodo 1996-2004 y 2005-Junio 2006 59 3.9.2 Análisis de resultados entregados por la red 61 3.9.3 Resultados RNA aplicadas en otras investigaciones 63 Capítulo 4: Utilización de las RNA en Chile 65 4. Utilización de las RNA en Chile 66
4.1 Resultados de la encuesta 67 Capítulo 5: Conclusiones y recomendaciones 71 5. Conclusiones y recomendaciones 72
5.1 Conclusiones 72 5.2 Recomendaciones. 74
Bibliografía 75 Anexos 82 Anexo 1: Listado de investigaciones de universidades Chilenas 82 Anexo 2: Resultados simulaciones 89 Anexo 3: Resultados pruebas testing 116 Anexo 4: Cuestionario 119 Anexo 5: Resultados encuesta 121
Redes Neuronales Artificiales, una herramienta para las Finanzas.
7
Introducción
Redes Neuronales Artificiales
Redes Neuronales Artificiales, una herramienta para las Finanzas.
8
INTRODUCCIÓN
En un mundo dinámico y cambiante como el actual, la toma de decisiones correctas por parte de
las personas y las organizaciones, se torna en algo central. Es de vital importancia responder con
rapidez y certeza a los acontecimientos, más aún adelantarse a éstos logrando así ventajas
competitivas. Por esto, todas aquellas herramientas que puedan ayudar y facilitar la toma de
decisiones son constantemente buscadas por las empresas.
En Finanzas, a lo largo del tiempo, se han desarrollado múltiples modelos para ayudar al análisis
de las distintas problemáticas con el objeto de que éstos ayuden en la toma de decisiones, a
aclarar el escenario o simplemente a entender de forma más rápida y eficiente qué está
sucediendo.
Dentro de finanzas existe el área de inversiones, en la cual la toma de decisiones es crucial para
obtener buenos resultados, es así como existen distintas teorías de análisis de los mercados como
lo son: análisis técnico, análisis fundamental, teorías del caos, etc. Todas ellas tratan de predecir
de una u otra forma qué sucederá con éstos en el futuro.
Es indiscutible el avance tecnológico de los últimos tiempos, las tecnologías se han ido
desarrollando con el objetivo de poder ayudar a las distintas disciplinas en las diversas labores y
su principal aporte, por lo general, es en la optimización de estas. Dentro de esta área existen las
Redes Neuronales Artificiales (RNA), que han nacido con el objeto de imitar a las Redes
Neuronales Humanas. Estas surgen por la necesidad de mejorar algunas de las habilidades
normales de un ser humano como lo son la capacidad de procesamiento, análisis, rapidez y
efectividad. Las RNA lo que hacen es emular la forma en la cual el cerebro reconoce patrones de
comportamiento, realizando este proceso de manera mecánica, lo que evita al humano un tedioso
análisis de datos lo que podría llevarle a cometer errores.
Es así como se ha decidido mezclar estas dos áreas, unir lo complejo de la toma de decisiones en
inversiones financieras con la complejidad de las RNA. Usando las RNA en la predicción o
Redes Neuronales Artificiales, una herramienta para las Finanzas.
9
estimación del precio, en este caso específico se tomará el cobre como ejemplo, por su
importancia para el país y por lo crucial que se torna en el desarrollo nacional.
Por lo tanto el objetivo principal de esta investigación es:
Analizar el uso, efectividad y aplicación de las redes neuronales artificiales como una
herramienta de predicción. Aplicación en mercado del cobre.
Además se definen algunos objetivos específicos, los cuales son:
• Investigar los diferentes usos de las RNA en la actualidad.
Se cree, las RNA no son muy conocidas en el área financiera, aún pertenecen en gran medida
al área de ingeniería, específicamente informática. Sin embargo, los últimos años, en el país
se han desarrollado diversos estudios y aplicaciones promoviendo esta nueva herramienta.
Con este objetivo se pretende dar a conocer y promover las diversas áreas en las cuales se
están usando las RNA. Se elaborará un listado de todos los estudios realizados por 3
universidades Chilenas pertenecientes al Consejo de Rectores.
• Medir la efectividad de las redes neuronales artificiales, su capacidad de predicción,
mediante la emulación de ellas; aplicación al precio del cobre.
Se emularán distintas RNA, con distintas características (capas, entradas de datos, funciones,
etc.) con el fin de poder probarlas y obtener la óptima en la predicción del precio del cobre.
Se pretende determinar una arquitectura de RNA más adecuada para este tipo de casos,
dejándola como precedente para futuros estudios.
• Estudiar la aplicabilidad de las RNA en el mercado nacional.
Se realizará un estudio en el área financiera nacional (específicamente corredoras), con el
objeto de saber si ellos conocen y utilizan las RNA. En el caso de que no se estén utilizando
como una herramienta de predicción, ver si existe la factibilidad de que lo hagan.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
10
Capítulo
Redes Neuronales Artificiales
1
Redes Neuronales Artificiales, una herramienta para las Finanzas.
11
1. REDES NEURONALES
Al estudiar Redes Neuronales Artificiales (RNA), lo primero que se debe entender es el sustento
de éstas, comprender su origen y la base de la cual se desarrollan. Las RNA nacen de la
imitación del modelo neuronal biológico, o sea el sistema neuronal que todo hombre posee, el
cual le permite desarrollar aprendizaje y por ende evolucionar.
Se considera importante comenzar con una idea general de cómo funcionan las redes neuronales
biológicas, para luego ahondar en las RNA.
1.1 REDES NEURONALES BIOLÓGICAS
Según Gondar (2001) el cerebro humano se compone de decenas de billones de neuronas
interconectadas entre sí formando circuitos o redes que desarrollan funciones específicas.
Una neurona típica recoge señales procedentes de otras neuronas a través de estructuras llamadas
dendritas. La neurona emite impulsos de actividad eléctrica a lo largo de una fibra larga y delgada
denominada axón, que se divide en millares de ramificaciones (Figura 1.1)
Figura 1.1
Neurona y conexiones sinápticas
Fuente: Gondar (2001)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
12
Las extremidades de estas ramificaciones llegan hasta las dendritas de otras neuronas y
establecen unas conexiones llamadas sinapsis (Figura 1.2), en las cuales se produce una
transformación de los impulsos eléctricos en un mensaje neuroquímico, mediante la liberación de
unas sustancias llamadas neurotransmisores.
Figura 1.2
Detalle de una sinapsis
Fuente: Gondar (2001)
El efecto de los neurotransmisores sobre la neurona receptora puede ser excitatorio o inhibitorio,
y es variable, de manera que se puede hablar de la fuerza o efectividad de una sinapsis. Las
señales excitatorias e inhibitorias recibidas por una neurona se combinan, y en función de la
estimulación total recibida, la neurona toma un cierto nivel de activación (Figura 1.3), que se
traduce en la generación de breves impulsos nerviosos con una determinada frecuencia o tasa de
disparo, y su propagación a lo largo del axón hacia las neuronas con las cuales se produce la
sinapsis.
Figura 1.3
Activación y disparo de una neurona
Fuente: Gondar (2001)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
13
De esta manera la información se transmite de unas neuronas a otras y va siendo procesada a
través de las conexiones sinápticas y las propias neuronas. El aprendizaje de las redes neuronales
se produce mediante la variación de la efectividad de las sinapsis, de esta manera cambia la
influencia que unas neuronas ejercen sobre otras, de esta manera se deduce que la arquitectura, el
tipo y la efectividad de las conexiones en un momento, representan en cierto modo la memoria o
estado de conocimiento de la red.
Las redes neuronales representan parte fundamental del cerebro, en el cual se generan todos los
procesos necesarios para llevar a cabo una actividad determinada como respuesta a un estímulo
generado en el ambiente. Su complejidad y gran alcance han llevado al hombre a estudiarlas y
tratar de imitar su funcionamiento para lograr de alguna forma obtener el aprendizaje generado
por éstas y poder aplicarlas en otros campos. Es así como nacen las Redes Neuronales
Artificiales.
1.2 REDES NEURONALES ARTIFICIALES (RNA)
Existen múltiples definiciones de RNA:
Haykin (1994) “Una red neuronal es un procesador masivamente paralelo distribuido que es
propenso por naturaleza a almacenar conocimiento experimental y hacerlo disponible para su
uso. Este mecanismo se parece al cerebro en dos aspectos:
• El conocimiento es adquirido por la red a través de un proceso que se denomina aprendizaje.
• El conocimiento se almacena mediante la modificación de la fuerza o peso sináptico de las
distintas uniones entre neuronas.”
Kröse y Van der Smagt (1993) “Una red neuronal es un modelo computacional con un conjunto
de propiedades específicas, como son la habilidad de adaptarse o aprender, generalizar u
organizar la información, todo ello basado en un procesamiento eminentemente paralelo”.
Martín del Brío y Sanz (1997) “Sistemas de procesamiento que copian esquemáticamente la
estructura neuronal del cerebro para tratar de reproducir sus capacidades, como por ejemplo,
aprender de la experiencia a partir de las señales o datos del exterior, con el objetivo de
construir sistemas de procesamiento de la información paralelos, distribuidos y adaptativos”.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
14
Según Gondar (2001), las neuronas se modelan mediante unidades de proceso. Cada unidad de
proceso se compone de una red de conexiones de entrada (Xi), las cuales son ponderadas a través
de un parámetro denominado peso (Wi); una función de red o de propagación (computa la
entrada total combinada de todas las conexiones), un núcleo central de proceso (aplica la función
de activación) y la salida (transmite el valor de activación a otras unidades) (Figura 1.4).
Figura 1.4
Unidad de proceso típica
Fuente: Gondar (2001)
Tabla 1.1
Comparación de las Neuronas Biológicas con las Artificiales
Redes Neuronales Biológicas Redes Neuronales Artificiales
Neuronas Unidades de proceso
Conexiones sinápticas Conexiones ponderadas
Efectividad de las sinapsis Peso de las conexiones
Efecto excitatorio o inhibitorio de una
conexión
Signo del peso de una conexión
Efecto combinado de las sinapsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida
Fuente: Gondar (2001)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
15
1.2.1 ESTRUCTURA DE UNA RED NEURONAL
1.2.1.1. Capas
• Capa Entrada: almacena la información bruta suministrada a la red o realiza un sencillo
pre-proceso de la misma.
• Capa Oculta: se encargan de recibir, procesar y memorizar la información.
• Capa Salida: almacena la respuesta de la red para que pueda ser leída, dando un resultado
final.
1.2.1.2. Funciones
Según Gondar (2001), las funciones de una Red Neuronal Artificial son:
• Función de propagación o de red: Esta calcula el valor de base o entrada total a la unidad,
lo hace mediante la suma ponderada de todas las entradas recibidas, es decir, de las entradas
multiplicadas por el peso o valor de las conexiones.
La función de propagación proporciona el valor del potencial postsináptico de la neurona i en
función de sus pesos y entradas, en un tiempo t. Equivale a la combinación de las señales
excitatorias e inhibitorias de las neuronas biológicas.
• Función de Activación: Es quizás la característica principal o definitoria de las neuronas, es
decir la que mejor define el comportamiento de la misma. Se usan diferentes tipos de
funciones, desde simples funciones de umbral a funciones no lineales. Con ésta se pretende
calcular el nivel o estado de activación de la neurona en función de la entrada total.
De esta forma, la función de activación o transferencia será aquel elemento de la topología de
una red que permite calcular el estado de actividad de una neurona, transformando la entrada
neta en un valor cuyo rango normalmente va de (0 a 1) o de (–1 a 1), dependiendo de su
estado de actividad o inactividad. Así, una neurona podrá estar totalmente inactiva (0 o –1) o
totalmente activa (1) (Matich, 2001)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
16
Según Silva (2005) las funciones de activación más comunes son:
a) Función Lineal: Esta función es útiles en aquellos casos en que el output es una variable
continua o en aquellos en que se desea que la red aprenda los eventos menos frecuentes. A
diferencia de la función Sigmoide, la lineal no se hace menos sensible al alejarse de cero.
La expresión matemática es:
xxF =)(
Figura 1.5
Función Lineal
Fuente: Brunel (2005)
b) Función Logística o Sigmoide: Esta es la más común en la mayor parte de las Redes
Neuronales con aplicaciones financieras. Su rango es (0, 1). Se utiliza para concentrar el
aprendizaje en valores no extremos en donde se deberían encontrar la mayor parte de los
casos, por ello es de especial utilidad cuando los outputs son categorías. En términos
matemáticos es:
)1(
1)(
xexF −+
=
Figura 1.6
Función Logística
Fuente: Brunel 2005
Redes Neuronales Artificiales, una herramienta para las Finanzas.
17
c) Función Tangente Hiperbólica: Esta función tiene las mismas propiedades que la
logística, sin embargo, el rango de salida de esta función permite respuestas simétricas
(-1, 1); manteniendo una intermedia en cero. Esta función suele converger antes que la
función logística, sin embargo, no necesariamente generaliza igualmente bien. En
términos matemáticos queda expresada en:
)(
)()(
xx
xx
ee
eexF
−
−
+
−=
Figura 1.7
Función Tangente Hiperbólica
Fuente: Brunel 2005
1.2.2 CARACTERÍSTICAS DE LAS REDES NEURONALES
Según Brunel (2005) las redes neuronales poseen ciertas características, estas son:
• Paralela: Las RNA cuentan con una gran cantidad de neuronas, cada una de ellas
trabajando simultáneamente con una parte del problema mayor.
• Distribuida: Las RNA cuentan con una gran cantidad de neuronas, a través de las cuales
distribuyen su memoria. Esto los diferencia de los sistemas computacionales tradicionales,
los que sólo cuentan con un procesador y memoria fija.
• Adaptativa: Las RNA tienen la capacidad de adaptarse al entorno modificando sus pesos
sinápticos, aprendiendo de las experiencias, consiguiendo generalizar conceptos a partir de
casos particulares, permitiéndole encontrar una solución aceptable al problema.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
18
1.2.3. TIPOS DE REDES NEURONALES ARTIFICIALES
Existen múltiples tipos de clasificación de RNA, algunos autores las clasifican según el
aprendizaje, según las capas, otros según conexión; existen además distintos tipos de RNA.
La presente investigación no pretende ahondar en profundidad la materia de RNA, sino sólo dar
una visión general de estas, que permita entregar una base para la comprensión de la aplicación
del estudio.
1.2.3.1. Según aprendizaje
Para Palacios (2003) y Matich (2001), un criterio habitual de clasificar las RNA es, según su
aprendizaje, siendo este:
• Supervisado
• No supervisado
• Reforzado
• Híbrido
El primero menciona que el entrenamiento es controlado por un agente externo, quien determina
la respuesta que debería generar la red a partir de una entrada determinada. En el caso contrario
está el no supervisado, en el cual no existe un agente externo que determine la respuesta deseada,
generando que la red sólo reconozca regularidades en el conjunto de entradas. Un aprendizaje que
mezcla estos dos anteriores es el Híbrido, en el cual, algunas capas tienen aprendizaje
supervisado y otras no supervisado.
Similar al aprendizaje supervisado, está el Reforzado, en el cual se le indica a la red el error que
comete (error global), es decir se indica el éxito o fracaso del resultado obtenido.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
19
1.2.3.2. Según las capas
Gonzalo Cortez, divide a las redes en:
• Monocapas
• Multicapas
Ambas se diferencian sólo en la cantidad de capas que posee la red neuronal, una en el caso de la
monocapa y dos o más en las multicapas.
1.2.3.3. Según la conexión
Santín, divide a las RNA en:
• Feedforward
• Feedback
En las RNA Feedforward, las neuronas de cada nivel sólo están conectadas con las neuronas de
los niveles posteriores por lo tanto la información se propaga hacia delante. Mientras que en las
segundas, las neuronas pueden estar conectadas con neuronas de niveles previos, posteriores, o de
su mismo nivel.
1.2.3.4 Según topologías clásicas
Según Silva (2005), las topologías clásicas de RNA son:
• Perceptrón simple (Rosenblatt en 1962): Este tipo de RNA, es el modelo más simple, es
una red unidireccional compuesta por dos capas de neuronas, una de entrada y la otra de
salida, por lo tanto en este modelo las neuronas de entrada únicamente envían la
información a las neuronas de salida. El aprendizaje de este tipo de red es del tipo
supervisado y se basa principalmente en la regla de corrección de error con respecto a la
salida deseada.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
20
• Perceptrón Multicapa: Este tipo de RNA es una ampliación del anterior, ya que incorpora
uno o más niveles de unidades ocultas.
Un Perceptrón multicapa es una RNA con alimentación hacia delante y está compuesta de
varias capas de neuronas entre la entrada y la salida, permitiendo de esta manera establecer
regiones de decisión mucho más complejas en comparación con el perceptrón simple.
Generalmente estas RNA se entrenan mediante el algoritmo Backpropagation.
• Redes Hebbianas: Este tipo de redes tiene un aprendizaje no supervisado. Se basa en la
regla de Hebb, la cual dice que cuando una neurona activa a otra, la sinapsis queda
reforzada. Este tipo de redes nos indica que si en el momento de la asociación entre las
neuronas, dos o más de ellas se activan simultáneamente, estas actuarán en conjunto
incrementando o potencializando la sinapsis, ya que ahora la activación o desactivación de
una de ellas influye en la otra, por consiguiente se pueden activar varias neuronas en la
salida.
• Redes Kohonen: Este tipo de RNA posee la capacidad de formar mapas de características
de manera similar al cerebro. El objetivo de este modelo es demostrar que un estímulo
externo (información de entrada) por si solo es suficiente para forzar la formación de estos
mapas. Estos mapas se forman de la información de entrada, la cual mediante la semejanza
de sus datos, forma diferentes categorías. Esta red utiliza el aprendizaje no supervisado de
tipo competitivo, es decir, las neuronas compiten por activarse y sólo una de ellas
permanece activa ante una determinada información de entrada, provocando que los pesos
de las conexiones se ajusten en función de la neurona vencedora.
• Redes Hopfield: La red Hofield funciona como una memoria asociativa no lineal, que
puede almacenar internamente patrones presentados de forma incompleta o con ruido. Esta
red está formada por neuronas conectadas simétricamente (al existir una conexión desde la
neurona Ni a la neurona Nj, también existe la conexión desde Nj a Ni y ambas con el
mismo peso Wij = Wji) y el conjunto permitido de valores de entrada y salida es (0,1)
pudiendo ser (-1,1) o sea binario. Este modelo es similar al Perceptrón, pero presenta una
característica adicional y es que las neuronas de la capa media, presentan conexiones de
Redes Neuronales Artificiales, una herramienta para las Finanzas.
21
salida hacia otras neuronas de la capa media. Este hecho, hace que en esta capa se dé un
feedback entre sus neuronas, de forma que al activarse una de las neuronas, las otras
cambian su estado de activación, que a la vez hará cambiar el suyo. Por lo tanto, el patrón
de activación se transmitirá sólo cuando se llegue a un equilibrio. Esta red no implica
cálculo de pesos sinápticos ya que estos se mantienen constantes.
Es importante mencionar, que en varios estudios se menciona al backpropagation como un tipo
de red, pero es importante aclarar que esto no es así, ya que es un algoritmo de aprendizaje que
puede utilizar las RNA. A continuación se menciona este algoritmo
• Algoritmo de Retropropagación (Silva, 2005 )
La Backpropagation es un tipo de algoritmo para entrenar a la red, emplea un ciclo
propagación – adaptación de dos fases. Una vez que se ha aplicado un patrón a la entrada de
la red como estímulo, este se propaga desde la primera capa a través de las capas superiores
de la red, hasta generar una salida. La señal de salida se compara con la salida deseada y se
calcula una señal de error para cada una de las salidas.
Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia todas las
neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo, las
neuronas de la capa oculta solo reciben una fracción de la señal total del error, basándose
aproximadamente en la contribución relativa que haya aportado cada neurona a la salida
original. Este proceso se repite, capa por capa, hasta que todas las neuronas de la red hayan
recibido una señal de error que describa su contribución relativa al error total. Basándose en
la señal de error percibida, se actualizan los pesos de conexión de cada neurona, para hacer
que la red converja hacia un estado que permita clasificar correctamente todos los patrones
de entrenamiento.
La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas
de las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas
aprenden a reconocer distintas características del espacio total de entrada. Después del
entrenamiento, cuando se les presente un patrón arbitrario de entrada que contenga ruido o
Redes Neuronales Artificiales, una herramienta para las Finanzas.
22
que esté incompleto, las neuronas de la capa oculta de la red responderán con una salida
activa si la nueva entrada contiene un patrón que se asemeje a aquella característica que las
neuronas individuales hayan aprendido a reconocer durante su entrenamiento. Y a la
inversa, las unidades de las capas ocultas tienen una tendencia a inhibir su salida si el patrón
de entrada no contiene la característica para reconocer, para la cual han sido entrenadas.
1.2.3.5 Según procesamiento
Existen modelos estáticos y dinámicos de RNA. Los modelos estáticos configuran una red con
un conjunto de datos determinados, la entrenan y una vez que la red alcanza buen desempeño se
fija su configuración y sus pesos, luego con esa red fija se prueba un conjunto de datos (testing)
para evaluar finalmente el desempeño de la red. Los modelos dinámicos incorporan los datos del
testing (extramuestral) dentro de la red y estos nuevos datos van modificando la red, por lo que
la hacen dinámicas, ya que incorpora la nueva información. Dentro de los modelos dinámicos
tenemos:
• Redes Recursivas: Este procedimiento consiste en ir agregando información a la que ya
se tiene para realizar una nueva predicción. Desde el punto de vista financiero, esto
permite reflejar la necesidad de los agentes de ajustar sus expectativas frente a la nueva
información obtenida, pero sin dejar de considerar la totalidad de la información pasada.
De esta forma, si el conjunto extramuestral posee “m” datos, al evaluar el funcionamiento
de la red se considera sólo la predicción del primer valor. Posteriormente, el dato
analizado sale del conjunto extramuestral (quedando ésta con “m-1” datos), pasando a
formar parte del conjunto de entrenamiento, por lo que la muestra de “n” datos que
contiene los valores de entrada se incrementa a “n+1”. Luego, al realizar una nueva
iteración, lo que implica reconstruir los pesos del modelo para cada una de las “m-1”
proyecciones, la red logra aprender del error cometido en la predicción y ajustar
nuevamente los pesos estimados. Este proceso se repite hasta que en el conjunto
extramuestral queda con sólo un dato, por lo que la red recalcula los pesos de las
diferentes capas hasta el momento en que la última observación (correspondiente al
Redes Neuronales Artificiales, una herramienta para las Finanzas.
23
período “t-1”) es utilizada para proyectar el valor que la variable de salida podría alcanzar
en el momento “t”, el cual representa el futuro inmediato.
• Redes Rolling: Por otro lado, el procedimiento “Rolling” pretende capturar el proceso de
adaptación de expectativas, de manera tal que se le otorgue una mayor importancia a
aquella información recientemente agregada y descartando la más antigua, simulando el
hecho de que los agentes ajustan sus expectativas dando una mayor ponderación a la
información más reciente. Específicamente, el procedimiento mantiene constante el
tamaño del conjunto muestral “n” , pero varía desde el punto de vista de su composición,
pues para cada iteración, éste se va desplazando a través del conjunto total de datos, de
forma de incluir la próxima observación, pero a la vez eliminando la más antigua (-
1+n+1=n). Así, este procedimiento se repite “m-1” veces, permitiéndole a la red
recalcular sus pesos de acuerdo a lo aprendido.
1.2.4. VENTAJAS QUE OFRECEN LAS RNA
Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan un gran
número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de
la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características
esenciales a partir de entradas que representan información irrelevante, etc. Esto hace que tengan
numerosas ventajas, según J. R. Hilera, V. J. Martínez (1994) estas son:
• Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un
entrenamiento o en una experiencia inicial.
• Auto-organización: una red neuronal puede crear su propia organización o representación
de la información que recibe mediante una etapa de aprendizaje.
• Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su
estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo
un gran daño.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
24
• Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo;
para esto se diseñan y fabrican máquinas con hardware especial para obtener esta
capacidad.
• Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados
para redes neuronales que mejoran su capacidad en ciertas tareas. Esto facilitará la
integración modular en los sistemas existentes.
1.2.5 DESVENTAJAS QUE OFRECEN LAS RNA
Según Brunel (2005) las redes neuronales a pesar de todas las ventajas que tiene, también
presenta desventajas, estas son:
• Las R.N.A constituyen un método de resolución de problemas creativo, es decir, que dada
las especificaciones de un problema, se desconoce la topología (características de la RNA)
con la que se va a solucionar del modo más eficiente
• Una vez entrenada una red neuronal, se hace difícil interpretar su funcionamiento, aún más,
no es fácil asegurar con qué grado de acierto responderá ante casos nunca vistos.
• Los modelos neuronales necesitan una herramienta de procesamiento poderosa. Esto se
manifiesta principalmente en el proceso de aprendizaje, pero esto se puede contrarrestar con
la facilidad de implementación en dispositivos de hardware específicos
Redes Neuronales Artificiales, una herramienta para las Finanzas.
25
Capítulo
Aplicación de las Redes Neuronales Artificiales a las Finanzas
2
Redes Neuronales Artificiales, una herramienta para las Finanzas.
26
2. APLICACIÓN DE LAS REDES NEURONALES EN FINANZAS
El objetivo de este capítulo es dar una visión del alcance que tienen actualmente las RNA y poder
proyectar su alcance futuro. Dar a conocer que los campos de aplicación son muchos y que su uso
finalmente dependerá de la imaginación y creatividad de quien las aplique.
Se mostrará en primera instancia los usos de las RNA en distintas áreas, para luego ahondar en el
ámbito financiero, que es al cual compete esta investigación.
2.1 RNA APLICADAS A DISTINTAS ÁREAS Según Ricote (2003), algunos usos de las RNA en el mundo se Muestran en la Tabla 2.1
Tabla 2.1
Usos de las RNA
Administración Pública
• Predicción de la criminalidad. • Detección del fraude fiscal y de otro tipo. • Predicciones económicas. • Proyección de prestaciones sociales. • Análisis de riesgos. • Predecir la demanda de servicios públicos.
Medicina y Salud
• Diagnóstico clínico. • Análisis de imágenes e interpretación. • Análisis de señales e interpretación. • Desarrollo de medicamentos. • Distribución de recursos.
Ciencia e Ingeniería
• Gestión de costos. • Ingeniería Química. • Ingeniería Eléctrica. • Conducción automática de vehículos. • Reacción química a productos. • Interpretación de señales.
Marketing
• Análisis sociodemográficos de la clientela. • Predicción de fidelización. • Venta cruzada. • Minería de datos. • Investigaciones de mercado con campos en blanco.
Transportes y Comunicaciones
• Optimización de rutas. • Optimización en la distribución de recursos. • Predicción de inventarios.
Meteorología • Predicción del tiempo. • Modelos de predicción.
Otros
• Reconocimiento de escritura. • Reconocimiento de gráficos. • Verificación de firmas. • Reconocimiento de voz.
Fuente: Ricote 2003.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
27
Como parte del estudio bibliográfico de esta investigación, se decidió indagar en las bibliotecas
de tres importantes universidades del país pertenecientes al Consejo de Rectores, las cuales
fueron:
• Pontificia Universidad Católica de Chile
• Universidad de Chile
• Universidad de Concepción
Se buscó en los catálogos electrónicos pertenecientes a cada universidad, investigaciones que
afloraran bajo la búsqueda de “Redes neuronales”. El liderazgo con respecto a investigaciones en
esta área debemos decir que lo tiene la Universidad de Chile con 78 títulos encontrados a Junio
del 2006, seguido por la Universidad de Concepción con 35 investigaciones y finalmente la
Pontificia Universidad Católica de Chile con 17. Cabe mencionar que pueden haber
investigaciones en el área que no afloraran bajo la búsqueda de redes neuronales.
Con respecto a investigaciones en el área de finanzas hay un claro liderazgo en la Universidad de
Chile, generado por los hermanos Parisi, académicos de la Facultad de Ciencias Económicas y
Administrativas de esa casa de estudios, los cuales han guiado múltiples investigaciones en el
área RNA y hoy se encuentran a la vanguardia con respecto a la aplicación de las éstas en
finanzas.
En el Anexo 1, se podrá ver el listado de las investigaciones encontradas.
2.2 RNA APLICADAS A LAS FINANZAS
En el área de finanzas existen múltiples problemas a resolver, muchos de ellos involucran
complicados cálculos numéricos y difíciles estimaciones a realizar. Con el tiempo se han
diseñado distintos software o programas para facilitar el cálculo de éstos y hacer más eficiente el
proceso de análisis. Sin embargo los software muchas veces no son una solución adecuada para
aquellos problemas de naturaleza compleja, no estructurados, que requieren alguna forma de
reconocimiento de patrones y que involucran datos incompletos o ruidosos, para este tipo de
casos es cuando son usadas las RNA, para aquellos donde se requiere de agregar un componente
de inteligencia al proceso de análisis.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
28
Según Neylor (1995) las tres mayores áreas de estadística donde se han usado las RNA son en
análisis de regresión, predicción de series de tiempo y problemas de clasificaciones, es decir, las
RNA pueden ser utilizadas donde las regresiones, análisis discriminatorio, regresiones logísticas
y métodos de predicción; han sido usadas.
Se han comparado las RNA con métodos tradicionales en distintos tipos de problemas de
clasificación y predicción. Shar (1994) reporta el desempeño de las RNA en comparación a
métodos estadísticos tradicionales. De los 42 trabajos que comparó, encontró que las RNA tienen
un mejor desempeño en 30 casos (71%) que los métodos tradicionales, un peor desempeño en 7
casos (17%) y no se encuentran diferencias significativas en 5 casos (12%). Ver Figura 2.1
Figura 2.1
RNA v/s Métodos Tradicionales
DESEMPEÑO DE LAS RNA EN COMPARACION A METODOS TRADICIONALES
71%
17%
12%Mejor desempeño
Peor desempeño
No se encuentrandiferencias
Fuente: Elaboración Propia
Las aplicaciones en finanzas e inversiones se pueden dividir según el problema que enfrentan.
Hay destinas áreas y enfoques que se pueden mencionar, a continuación en la Tabla 2.2 (basada
en Ricote 2003) se muestran 3 categorías:
Redes Neuronales Artificiales, una herramienta para las Finanzas.
29
Tabla 2.2
Aplicaciones en Finanzas
Banca
Finanzas
Seguros e Inversiones
• Clasificación Crediticia. • Aprobación de créditos. • Predicción del comportamiento de nuevos clientes. • Selección de buenas clases de riesgo. • Riesgo operacional.
• Predicciones riesgo quiebra una empresa. • Medida de la volatilidad. • Precio de opciones. • Gestión de acciones. • Formación y Gestión de carteras. • Predicción de riesgos. • Gestión de Fondos de Pensiones y Fondos de Inversión.
• Riesgo operacional. • Credibilidad. • Análisis de supervivencia. • Clasificación de Bonos. • Valoración de nuevos instrumentos. • Análisis técnico. • Análisis fundamental. • Administración de portafolios
Fuente: Ricote 2003.
Con el objeto de dar una visión más profunda, se explicarán con más detalle algunos de los usos
en el área financiera.
2.2.1 FINANZAS CORPORATIVAS
Los inversionistas no reaccionan a información parcial con respecto a una compañía, sino que
están influenciados por una serie de información que involucra todos los aspectos concernientes a
la compañía: puede ser posible entrenar una RNA a imitar el comportamiento de los
inversionistas en respuesta a cambios en las condiciones financieras o políticas de la compañía.
Usando a inversionistas como modelos de entrenamiento, se puede crear un RNA que simule las
reacciones de los inversionistas a cambios en la política de dividendos, método de contabilidad,
ganancias reportadas, estructura de capital o cualquier otro ítem de interés. Estudios pasados de
este tipo se han basado principalmente en los cambios en el precio de las acciones para prever el
comportamiento de los inversionistas. Una RNA puede mejorar la habilidad del analista
financiero para predecir las reacciones de los inversionistas frente a cambios en las políticas
financieras de la corporación. (Delv 1990)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
30
2.2.2 APROBACIÓN DE CRÉDITOS
El trabajo de aprobar créditos a clientes y la asignación de los limites de éstos es generalmente,
muy intensiva en trabajo y consume mucho tiempo, por lo que tiene un gran impacto en las
ganancias de la mayoría de las compañías. Los procedimientos de aprobación de crédito basados
en puntuación pueden ser implementados con éxito en computadores con software
convencionales, pero estos sistemas no incorporan los elementos subjetivos, que no son
cuantificables, presentes en el proceso de la toma de decisión de un ser humano.
Una RNA puede ser entrenada usando como vector de entrada los datos de un cliente y las
decisiones ya elaboradas en bases a un análisis como vector de salida. El objetivo del sistema
seria imitar al tomador de decisiones en su función de otorgar o negar el crédito y fijar los limites
de este. (Marose 1990) (Kilmasauskas 1991)
2.2.3 ANÁLISIS DE CONDICIONES FINANCIERAS
Todas las empresas tienes que producir estados financieros por razones de impuestos. Estos
estados proveen importante información sobre las condiciones de la firma. Una forma de analizar
los datos en los estados financieros es trasformándolos en razones y comparando estos con los
promedios de la industria. Una RNA puede ser entrenada para interpretar las razones de las
compañías y estimar si estas son empresas saludables y con potencial de crecimiento. (Barker
1990) (Brio 1995)
Hay estudios que muestran cómo las redes neuronales son capaces de extraer información de
memorias de empresas y construir estructuras similares a razones financieras, con las cuales
poder clasificar a las empresas en grupos de características similares. (Berry 1993)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
31
2.2.4 RIESGO DE QUIEBRA DE UNA EMPRESA
Son muchos los trabajos realizados en esta área, básicamente la red es alimentada por una serie
de información financiera de la empresa con la cual el sistema clasifica a la empresa en un estado
que generalmente puede ser bueno, normal y malo, donde el estado malo corresponde a un estado
en que la firma es muy riesgosa y es propensa a quebrar.
Las investigaciones realizadas han logrado muy buenos resultados, aún comparados con los
métodos convencionales de clasificación. (Ballarin 1993) (Colleman 1991) (Odom 1990)
(Proddig 1995) (Rahimian 1993) (Ranhupathi 1991) (Yan 1992)
2.2.5 CLASIFICACIÓN DE BONOS
La labor de escoger diferentes bonos es un problema de clasificación: dado un conjunto de clases
y un conjunto de vectores de entradas, cada uno descrito por una serie de características, se
asigna cada vector de información de entrada a una de las clases preestablecidas. Los vectores de
entradas corresponden a datos financieros concernientes a la empresa. Se han logrado muy
buenos resultados, por sobre los actuales métodos de clasificación. (Dutta1998) (Moody 1995)
(Singleton 1995) (Singleton 1990).
Los beneficios de este sistema son:
• El sistema puede ser usado para ver una gran cantidad de bonos, observando si son
convenientes de adquirir. El tomador de decisiones ahorrará mucho tiempo con sólo mirar los
bonos que fueron escogidos por el sistema.
• Debido a que el sistema no depende de las reglas de propagación, puede ser fácilmente
adaptado para que imite las técnicas de evaluación de cualquier tomador de decisión.
• El sistema puede adaptarse a los cambios de procedimientos analíticos y de selección del
tomador de decisión a través del tiempo.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
32
2.2.6 VALORACIÓN DE NUEVOS INSTRUMENTOS
La valorización de nuevos instrumentos por los inversionistas es una tarea difícil y tiene un
impacto directo en las ganancias de la empresa. Para las compras iniciales de acciones no
emitidas esta es una labor en extremo compleja. La información concerniente al emisor de la
acción puede ser incompleta, estar en una forma no estándar y puede cubrir sólo un corto período
de tiempo. Se necesita considerar la información de compañías similares y de la industria, y
también información de las condiciones presentes y futuras. Además, existen elementos
subjetivos que influyen en el nivel de receptividad de los inversionistas y en la determinación del
momento más oportuno de emitir el instrumento.
Una vez más, una RNA puede ser entrenada para imitar las decisiones de un experto, mediante la
observación de los vectores de entrada y salida de las decisiones que se han tomado en el pasado.
En este caso, el sistema tiene el potencial de poder mejorar el desempeño del experto, debido a
que los datos de entrada pueden incluir las variaciones de los precios actuales y las actividades de
compra/venta subsecuentes a la emisión del instrumento. Por lo que el sistema tiene el potencial
de aprender directamente del experto y de los resultados actuales de la decisión. La RNA puede
descubrir relaciones que pueden haber sido pasadas por alto o mal interpretadas por el experto.
(Delv 1990)
2.2.7 ANÁLISIS TÉCNICO
El análisis técnico tiene el objetivo de predecir movimientos de corto plazo en el precio de las
acciones, tasas de cambio, índices o commodities basados en patrones ex - post de estos
instrumentos de información relevante.
Las capacidades de reconocimiento de patrones de las redes neuronales sugieren la aplicación de
éstas en el área del Análisis Técnico. Lo más conveniente es que la aplicación sea diseñada por
los analistas mismos. Si una RNA pudiera ser entrenada para simular la experiencia e intuición
de un analista exitoso, puede resultar en un aumento del número de acciones que puede analizar
en tiempo real.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
33
Las investigaciones difieren del tipo de topología que utilizan e información recopilada.
Generalmente están enfocados a predecir cambios en los precios, índices o retornos diarios,
semanales y anuales, a reconocer patrones de alza o baja y a ejecutar órdenes de compra y venta
de acciones. (Abu 1995) (Baba 1993) (Baestaens 1995) (Bergerson 1991) (Bosarge 1991) (Chang
1993) (Grudnitski 1991) (Grudnitski 1995)
Otra área con gran cantidad de publicaciones corresponde a las transacciones de divisas
extranjeras. Los resultados de la mayoría de las investigaciones arrojan un resultado positivo, en
el cual los modelos logran obtener ganancias al ser simuladas sus transacciones en el mercado.
(Hsu 1995) (Levitt 1995) (Mehta 1995) (Refenes 1993) (Refenes 1995)
2.2.8 ANÁLISIS FUNDAMENTAL
El análisis fundamental también requiere intuición y juicio basado en la experiencia (aunque
posiblemente en un menor grado que en el análisis técnico) por lo que esta área ofrece grandes
perspectivas para las redes neuronales. Dada la gran cantidad de información que involucra cada
compañía en cada instante de tiempo, la capacidad de procesamiento en paralelo de los sistemas
de RNA ofrece una importante ventaja potencial en esta área. Las entradas para un modelo de
análisis fundamental son por naturaleza paralelas. Un vector de entrada para una compañía puede
incluir toda la información relevante de muchos años de información financiera, datos de
mercados históricos y presentes, información económica, promedios industriales y muchas otras
variables. La RNA puede ser entrenada para evaluar las acciones usando estas entradas y las
evaluaciones propias del analista como vector de salida deseada. Como en el caso del análisis
técnico, el objetivo del sistema sería el mejorar la eficiencia del analista mediante una mayor
cantidad de revisiones de casos y actualizaciones de datos mas frecuentes. (Kimono 1990)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
34
2.2.9 OTRAS APLICACIONES
Otras aplicaciones en que se han usado redes neuronales corresponden a trabajos como:
• Comprobación de la teoría eficiente de los mercados mediante redes neuronales, en esta
área destacan los trabajos de: Tsibouris (1995), White (1998)
• Comprobación de la teoría APT (Arbitrage Pricing Theory) mediante redes neuronales,
destacan las publicaciones de: Ahmadi H (1990), Refenes (1995).
• Aplicación de un modelo de redes neuronales como alternativa a las regresiones no lineales,
destacan, Marquez (1991).
• Predicción de series de tiempo mediante redes neuronales, en esta área están lo trabajos de:
Bulsari (1993), Sharda (1992).
• Comparación entre el análisis discriminante y las redes neuronales. Yoon (1991)
• Combinaciones no lineales de predicciones con redes neuronales, un estudio en esta área
fue realizado por; Shi (1993).
• Predicción de fusión de empresas, en esta área destaca el trabajo de; Sen (1995).
• Identificación de oportunidades de arbitraje.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
35
Capítulo
Aplicación de las RNA en la Predicción del Precio del cobre
3
Redes Neuronales Artificiales, una herramienta para las Finanzas.
36
3. APLICACIÓN DE REDES NEURONALES ARTIFICIALES EN
LA PREDICCIÓN DEL PRECIO DEL COBRE.
Se ha decidido aplicar las RNA en la predicción del precio diario del cobre transado en la Bolsa
de metales de Londres (LME) durante el período Enero 1996 - Junio 2006, debido a la relevancia
que tiene este commodities en nuestro país, por lo cual se considera importante su estudio y
análisis, con el fin de obtener conclusiones relevantes que puedan ser de ayuda para la formación
de políticas y estrategias a seguir en el largo plazo.
3.1 COBRE
Según el Anuario de Estadísticas del Cobre y otros Minerales 1996-2005 (COCHILCO), las
exportaciones de minería representan el 56,2% del total de las exportaciones de nuestro país, y
de ese valor el 44,6% es explicado por el Cobre (Tabla 3.1).
Además, la minería contribuye en un 7,5% al Producto Interno Bruto (PIB) y el cobre en
particular representa alrededor del 7% del PIB.
Tabla 3.1
Participación del sector minero en las exportaciones del país (%)
AÑO 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
TOTAL MINERÍA 46,0 48,0 42,7 44,1 43,5 40,9 39,9 41,4 52,8 56,2
COBRE 38,0 40,6 35,2 37,6 37,9 35,5 34,1 35,4 45,2 44,6
MOLIBDENO 1,1 1,4 1,3 1,0 0,9 1,0 1,3 1,6 4,3 8,2
ORO 3,1 2,4 1,8 1,9 1,8 1,5 1,4 1,4 1,0 0,9
YODO 0,6 0,9 1,2 0,9 0,8 0,7 0,7 0,7 0,5 0,6
HIERRO 1,0 0,9 1,1 0,8 0,7 0,7 0,8 0,6 0,5 0,8
PLATA 1,0 0,8 0,9 0,8 0,5 0,5 0,5 0,4 0,4 0,3
OTROS 1,2 1,0 1,2 1,1 0,9 1,0 1,1 1,3 0,9 0,8
Fuente: Anuario Estadística del cobre y otros minerales (COCHILCO)
Según el Anuario de Estadísticas del cobre y otros Minerales 1996-2005 (COCHILCO) cabe
mencionar que Chile es el principal productor de cobre en el mundo.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
37
• En cuanto a la participación en la producción de cobre de mina, Chile ocupa el primer lugar
(35,5%), seguidos de Estados Unidos (7%), Indonesia (7,1%), Perú (6,7%) Australia
(6,1%).
• De la Producción Mundial de Cobre de Fundición, Chile obtiene el segundo lugar (12,6%),
esto sólo sucede el 2005 (desde 1996 Chile venia ocupando el primero), que es superado
por China (12,9), lo siguen Japón (12,2%), Rusia (6,9%).
• En cuanto a participación en la producción mundial de Cobre Refinado Chile sigue
ocupando el primer lugar desde 1996 obteniendo una participación del 17%, seguido de
China (15,5%), Japón (8,4%). Estados Unidos (7,6%) y Rusia (6,1%).
• En la participación de la producción mundial de cobre sx-ew (Solvent Extraction Electro
Wining) Chile ocupa el primer lugar (62,5%), con una alta ventaja por sobre sus seguidores
Estados Unidos (21,9%), Perú (6,5%), México (2,8%).
3.2 PRINCIPALES USOS DEL COBRE
El cobre debido a todas las propiedades que posee, tiene múltiples usos, Según CODELCO, estos
son los siguientes:
• Materia prima elaborada: destinada a abastecer la industria manufacturera de productos para
el consumo de la sociedad.
• Construcción: cableado de edificaciones, tuberías de agua y de gas, sistemas térmicos,
techumbres, terminaciones, o como componente estructural (una casa moderna requiere
unos 200 kilos de cobre).
• Alambre: generación y distribución eléctrica ya que es un excelente conductor de esa
energía.
• Materia prima: fabricación de cables telefónicos y el desarrollo de nuevas tecnologías para
aumentar la eficiencia en la transmisión de datos también posiciona a este material como
una opción importante para el desarrollo de conectividad con banda ancha.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
38
• Artículos de consumo: para artículos relacionados con la electricidad (un computador puede
llevar más de 2 kilos de cobre).
• Monedas, utensilios de cocina, joyería, objetos de arte, adornos, muebles, maquillajes y
pinturas, instrumentos musicales y ropa.
• Automóviles, trenes, aviones, barcos e incluso en vehículos espaciales: Es utilizado en los
motores, en los sistemas electrónicos y en los sistemas eléctricos (un automóvil nuevo
utiliza unos 20 kilos de cobre).
• Aleaciones: destinadas a la construcción de maquinaria especializada y piezas destinadas a
procesos industriales.
• El cobre también es utilizado en compuestos destinados a la agricultura, por ejemplo para
compensar la deficiencia de este elemento vital en los suelos o en los cultivos.
3.3 AGENTES PARTICIPANTES DEL MERCADO DEL COBRE Los agentes participantes en el mercado del cobre, según Ciudad (2004) se pueden clasificar en
dos grupos, primero aquellos que participan del Mercado Físico del Cobre, estos están
interesados en el metal como producto y en el segundo grupo se encuentran aquellos que
participan en el Mercado Financiero del Cobre, los cuales sólo transan papeles del commodities,
pero no están interesados en el metal propiamente tal.
3.3.1 MERCADO FÍSICO
3.3.1.1 Productores
Se entiende por productor a aquella empresa que extrae el mineral del cobre. Estos agentes
buscan asegurar su ciclo productivo, cubriendo el riesgo por cambios de precios que tiene su
producción futura de manera de lograr cumplir con su punto de equilibrio, optimizando el precio
de su producción y asegurando el retorno de sus proyectos. Lo anterior determina que su posición
física sea vendedora a futuro y que el riesgo principal que los afecte sea el de la baja en los
precios.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
39
3.3.1.2 Intermediarios
Estos intermediarios se dedican a llenar o satisfacer demandas insatisfechas y comprar
excedentes no vendidos, además de otras operaciones que implican optimizar el movimiento
logístico y económico del metal. No son ni productores ni consumidores de cobre, sino que
comercian con el producto, comprando a quien desea vender y vendiendo a quien quiere comprar.
El principal riesgo que asumen se relaciona con la variación del precio en el momento que
compra la materia prima y el período en el cual la vende.
Las diferencias geográficas de los puntos de consumo generan distintas situaciones de escasez y
abundancia relativa por cobre en casi todo momento. Estas últimas, pueden derivar en que ciertos
mercados estén dispuestos a pagar más que los precios internacionales establecidos. Son los
intermediarios quienes se aprovechan de estos descalces de mercados, ya sea comprando
pequeños tonelajes remanentes de los productores, comprando a refinerías independientes o re-
comprando cobre a otros clientes en mercados con abundancia relativa.
3.3.1.3 Consumidores
Generalmente, se denomina consumidor de cobre a aquel agente que se dedica a la actividad de
transformar el cobre materia prima (cobre refinado: cátodos, refinado a fuego, etc.) en un
producto semi-elaborado que es utilizado en algún proceso de producción de un bien de consumo
final (Productos Eléctricos y Productos Mecánicos).
Para estos los commodities representan la materia prima de su proceso productivo, por lo que las
variaciones en su precio afectan directamente el margen operacional que presenta su negocio.
Intentan disminuir el riesgo precio de su materia prima, optimizar el costo de compra y financiar
el capital de trabajo. Esto determina que su posición física sea compradora a futuro y que el
riesgo principal sea de alza en el precio. Si bien en mediano y largo plazo tiene flexibilidad de
traspasar a precios los cambios en el costo de materia prima, durante el período en que sus
precios son fijos (corto plazo) están interesados en asegurar el costo de estos.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
40
3.3.2 MERCADO FINANCIERO
En esta sección se analizará a aquellos agentes sin interés físico en el mercado del cobre, también
llamados “agentes no comerciales” (no vinculados a la producción, consumo, ni traslado de
cobre), los cuales además de participar en el mercado de metales con inversiones puntuales, lo
hacen como parte de una cartera de activos financieros más amplia, con horizontes de inversión
diferentes, yendo desde inversiones diarias, pasando por inversiones semanales, mensuales e
incluso en inversiones que implican años.
Estos agentes deciden su ingreso al mercado de metales, a través del análisis de factores propios
de este mercado, como son aquellos relacionados con las expectativas de oferta y demanda física,
proyecciones económicas generales de mediano y largo plazo o factores inferidos del
comportamiento del mercado financiero del cobre (análisis técnico y herramientas de proyección
de corto plazo), así como de elementos propios de su negocio financiero, relacionados con el
momento en los cuales estos agente hacen efectivas sus ganancias, liquidando sus posiciones en
el mercado.
3.3.2.1 Especuladores
Son aquellos agentes que participan en los Mercados de Futuros de metales, tratando de comprar
a un precio menor del cual esperan poder vender, es decir, compran o venden cobre, esperando el
momento adecuado para hacer su ganancia o pérdida.
Los especuladores tienden a estabilizar el mercado, ya que intervienen en determinados
momentos con el objeto de romper una tendencia y hacer su ganancia. Así, cuando el cobre está
en alza, los especuladores venden, forzando al mercado a bajar, para ganar con respecto a su
compra a un nivel inferior. En el mismo sentido, si el precio está cayendo, se apresuran en
vender, para luego, una vez que el precio ya ha bajado, comprar más barato para una futura alza.
Estos agentes juegan un papel importante en el mercado del cobre, toda vez que aumentan la
profundidad y liquidez del mercado, factores altamente apreciados, en el entendido de que el
resto de los agentes podrán realizar sus operaciones en cualquier momento del tiempo, con mayor
seguridad de una contraparte. Sin embargo, los agentes sin interés físico son sindicados como los
grandes causantes del aumento de la volatilidad de los precios en los mercados financieros.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
41
3.3.2.2 Inversionistas
Los inversionistas buscan un rendimiento satisfactorio a su dinero, comprando y vendiendo cobre
en lugar de comprar otros instrumentos financieros. Por lo general el plazo de inversión es
superior al de los especuladores. Dependiendo del tipo de inversionista los commodities serán
centrales o no en su portafolio y sus posiciones dependerán tanto de los fundamentos del
mercado, como de los factores financieros que lo influyen.
3.4 PROCESO DE FORMACIÓN DEL PRECIOS DEL COBRE Dentro del mercado del cobre, el proceso de formación de precios se realiza diariamente en tres
bolsas de metales, London Metal Exchange (LME-Inglaterra), New York Metal Exchange
(división COMEX-USA) y Shanghai Futures Exchange (SHFE – China). Es decir, este proceso
es llevado a cabo en mercados financieros, específicamente en los denominados “Mercados de
Futuros”, lugares en donde se transan, a una fecha futura, productos de calidad homogénea,
perdurables y acumulables en el tiempo, con altos niveles de consumo y producción, los que no
siempre evolucionan en el mismo sentido, lo que justifican su bodegaje1.
En virtud de lo anterior, las funciones principales para cada una de las bolsas de metales ya
mencionadas, pueden resumirse en los siguientes puntos:
• Las bolsas de metales proveen una alta liquidez y transparencia, por lo que los precios
publicados, y en particular las cotizaciones del LME, son vistos por el comercio y la
industria, como un fiel reflejo de la oferta y demanda imperante.
• Las bolsas de metales proveen instalaciones de bodegaje alrededor del mundo, lo cual
permite a los participantes del mercado, hacer entregas o retiros físicos de metal. Sin
embargo, dada la existencia del Mercado Financiero, la mayoría de los contratos son
cerrados sin retiro o entrega física.
1 Este bodegaje, por cierto, es externo dado el alto costo financiero de mantener el material en las propias bodegas de productores
y consumidores.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
42
• Las bolsas de metales proveen un entorno óptimo para realizar transacciones, ya que gozan
de procedimientos estructurados que permite que los negocios sean realizados en una forma
ordenada, proveyendo la protección adecuada a los participantes.
Cabe mencionar y aclarar que los productores de cobre generalmente “No Venden” su
producción a las bolsas de metales, tan sólo usan sus precios como referencia en sus contratos de
ventas de cobre físico. Los productores principalmente venden su cobre en contratos directos a
empresas que se encuentran en el próximo eslabón de la cadena productiva, aunque en algunas
ocasiones también venden una parte pequeña de su producción, a intermediarios de metales en
contratos directos.
3.5 DETERMINANTES DEL PRECIO DEL COBRE Lograr saber qué variables son las que predicen un commodities es toda una controversia hoy en
día. Durante el proceso de estudio de esta investigación se encontraron varias referencias que
hacían mención de los determinantes del precio del cobre, que fueron aplicadas a sistemas de
RNA.
Naylor (1995) utiliza para predecir el precio del cobre a través de RNA variables como el precio
con rezagos, inventarios, volumen transado contrato de futuros y precio futuro cobre.
Brunel (2005) predice la variación del precio del cobre a través de RNA, para esto utiliza
variables como el precio con rezagos, inventarios, diferencia entre contango2 y backwardation3 e
índice de dólar ponderado por comercio de USA
2 Contango: En mercados de futuros se refiere a la situación en que el precio de la mercancía cotizada a futuro esta por encima del
valor actual (precio spot). 3 En el backwardation los precios spot están por encima de los precios a futuro, gracias a que la certeza de aprovisionarse hoy a un
determinado precio es superior a la incertidumbre de aprovisionarse mañana a un precio menor.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
43
Ciudad (2004) en un estudio realizado a través de COCHILCO menciona como principales
determinantes del precio spot de cobre; la actividad industrial, tipo cambio, inventarios y tasa de
interés.
Es complejo lograr determinar cuáles son las verdaderas variables que influyen en el precio del
cobre. En esta investigación se decidió realizar dos tipos de modelos explicativos del precio del
cobre con el fin de analizar y estudiar que sucedía con los resultados de las RNA utilizando
distintas variables de entrada.
3.5.1 MODELOS DE PRECIOS DEL COBRE
3.5.1.1 Modelo de precio
La teoría de mercados eficiente plantea que toda la información está contenida en los precios y
que ésta es homogénea para cada uno de los participantes del mercado, la base de esta teoría se
fundamenta en que los precios llevan toda la información relacionada con el bien, esto significa
que el precio contiene tanto información macroeconómica, corporativa, como expectativas y
percepción de los inversionistas. Al estar todo en el precio, es irrelevante tratar de explicarlo a
través de otras variables, ya que la fuente directa de información está contenida en el.
Sin embargo creer que la información es homogénea y perfecta para todos los distintos
participantes del mercado, es una teoría osada, en la práctica muchos inversionistas se benefician
de la información privilegiada con la cual generan arbitrajes. Por ende la desinformación hace
que los precios de los días anteriores cobren relevancia en la determinación del precio actual.
En esta investigación, se diseñó un modelo, contrario a la teoría de los mercados eficientes, en el
cual el precio del cobre es explicado por el precio de este mismo con 3 rezagos (el precio de hoy
se determina con el precio de 3 días anteriores).
A continuación, en la Tabla 3.2, se muestran las respectivas correlaciones entre los precios con 3
rezagos del cobre transado en la Bolsa de Metales de Londres durante el período Enero 1996 a
Diciembre 2004.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
44
Tabla 3.2
Matriz de Correlación de las variables
t-3 t-2 t-1 t t-3 1 t-2 0,99768734 1 t-1 0,99567646 0,99769408 1 t 0,99384512 0,99566344 0,9976768 1
Fuente: Elaboración Propia
Donde:
t = precio cobre.
t-1 = precio día anterior.
t-2 = precio rezagado en dos períodos.
t-3 = precio rezagado en tres períodos.
A través del cálculo de las correlaciones entre las variables podemos notar, la fuerte relación que
tienen unas con otras, lo que muestra que los precios de días anteriores tienen relación con la
determinación del precio en el siguiente período.
3.5.1.2 Modelo de múltiples variables
Como contraposición al modelo anterior y en base al estudio realizado por COCHILCO (Ciudad
2004), se consideró importante incorporar variables que pudieran explicar la demanda y oferta
del cobre en mercados internacionales.
a) Índice de la OECD:
Se uso el Índice de actividad económica (CLI, Composite Leading Indicators) de la OECD
(Organización para desarrollo y cooperación Económica) que entrega una proyección del
comportamiento futuro de la actividad económica de los países miembros de la organización,
principalmente países desarrollados. La ventaja de este índice es que permite conocer con una
anticipación de 6 meses la probable evolución de la producción industrial, constituyéndose en un
indicador de la potencial demanda del metal y de su precio. Un problema de este indicador es que
se centra en los países desarrollado dejando fuera a importantes consumidores de cobre en Asia,
sin embargo dentro del modelo utilizado en las RNA se incorporo el CLI de China, para
Redes Neuronales Artificiales, una herramienta para las Finanzas.
45
incorporar las expectativas de este país, ya que China ha sido uno de los grandes consumidores de
cobre los últimos años.
Según Ciudad (2004) la relación entre el precio del cobre y el índice de actividad industrial, es
positiva, pero baja, lo que significa que un aumento de la actividad industrial esperada de este
grupo de países, se le asocia un mayor precio del cobre.
b) Inventarios:
La oferta del cobre se determina mediante la disponibilidad de éste en el mercado y ésta es
medida mediante los llamados inventarios o stock. Es por esto que se incluyo en este modelo los
inventarios.
Estos inventarios se miden en las distintas Bolsas de Comercio, tales como la London Metal
Exchange (LME-Inglaterra), New York Metal Exchange (división COMEX-USA) y Shanghai
Futures Exchange (SHFE – China). Al existir varias Bolsas de transacción, se produce una gran
controversia en cuanto a la medición de estos stocks, producto que no hay un indicador
generalizado que incluya los inventarios de las tres bolsas. Además la medición no es constante,
habiendo días en los cuales no se dispone de información.
En este estudio se consideró los inventarios de la Bolsa London Metal Exchange.
Cabe mencionar también la posible relación que existe entre el precio del metal y los inventarios,
ya que se genera una relación circular entre ellos, es decir el precio del cobre tiende a ser
determinado por los inventarios al mismo tiempo que éstos se ven afectados por el precio. Esta
fue la principal razón por la que no se utilizó: el precio de los futuros de cobre, contango y
backwardation.
c) Tasas de interés
Esta variable está relacionada con el crecimiento económico; esto se debe a que cuando el
crecimiento económico comienza a bajar, la autoridad monetaria sigue una política monetaria
expansiva disminuyendo las tasas de interés, esta baja determina que se reactive la economía,
incentivando el consumo y por ende esto afecta la demanda y precio del cobre.
En esta investigación se consideró la Tasa del Bono del tesoro de 10 años de Estados Unidos.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
46
d) Tipo de cambio:
Según Ciudad (2005) los inversionistas, tras una depreciación del dólar, es habitual que
demanden commodities como cobertura frente a la inflación. El dólar utilizado en esta
investigación fue el índice del dólar transado en la NYSE.
A continuación en la Tabla 3.3, se muestran las correlaciones entra las diferentes variables para el
período Enero 1996 – Diciembre 2004.
Tabla 3.3
Matriz de Correlación de las variables
OECD OECD China Stock Ti USA Dólar Cobre-1 Cobre OECD 1 OECD China 0,9301 1 Stock 0,1979 0,0652 1 Ti USA -0,6834 -0,8007 -0,2710 1 dólar 0,0594 -0,1178 0,5636 -0,0210 1 cobre-1 0,2241 0,3385 -0,7416 0,0665 -0,6608 1 cobre 0,2274 0,3416 -0,7402 0,0636 -0,6618 0,9974 1
Fuente: Elaboración propia
La tabla genera un soporte a la variables utilizadas para el segundo modelo, producto que la
mayoría de la correlaciones entre las variables y el Cobre es baja o de magnitud normal, pero no
presentan correlaciones cercanas a uno (exceptuando la con el precio del cobre del día anterior).
3.6 NEUROSOLUTION 4
Este es un software potente que permite una simulación acabada de una red neuronal, ofrece un
completo ambiente de desarrollo y se adapta de buena forma a las necesidades de trabajo.
Neurosolution (Principe 2005) entrega un gran soporte en los diversos tópicos de la computación
neuronal, facilitando la construcción de redes y otorgando una flexibilidad en el diseño y
simulación de éstas. Además contempla un adecuado manejo de la información, tanto para definir
y entregar los datos a las etapas de aprendizaje y testing, como para obtener una visión clara de
los resultados relacionados en base a patrones y características del problema que entrega el
usuario. Sin embargo, es un sistema de redes estático, que no va incorporando la ultima
Redes Neuronales Artificiales, una herramienta para las Finanzas.
47
información dentro del conjunto de entrenamiento como los son los sistemas dinámicos (Rolling
y Recursivo).
El software posee una interfaz de usuario amigable y presenta diferentes wizzard (mini
programas que asesoran los procedimientos) para ayudar y simplificar la tarea de construir una
RNA, otorgando incluso recomendaciones en base a patrones y características del problema que
entrega el usuario.
En esta investigación se utilizó el NeuralBuilder, que es un subprograma del Neurosolution.
3.6.1 HERRAMIENTAS MODIFICABLES DEL NEURALBUILDER
3.6.1.1 Tipo de Red (según topología)
Perceptron multicapa, Feed Forward, Red Neuronal Modular, Análisis de Componentes
Principales, Jordan, Redes Recurrentes, entre otras. Este punto no se varió en nuestra
investigación, es decir siempre utilizamos el Perceptron multicapa, debido a que es la mejor Red
para el tipo de problema que se presenta en esta investigación.
3.6.1.2 Porcentaje de Validación Cruzada
Éste indica el porcentaje que se desea para que la red, mientras se entrena, prueba el
funcionamiento de la red, durante este período los pesos no se modifican. En esta investigación se
consideró este dato como fijo para todas las pruebas, el porcentaje utilizado fue de 35%, tomado
como referencia de otras investigaciones (Silva, 2005).
3.6.1.3 Porcentaje de Testing
Este indica el porcentaje que se desea para probar el funcionamiento de la red, una vez que esta
ha sido entrenada. En este estudio se consideró un 15%.
3.6.1.4 Capas ocultas
Éstas son las capas intermedias de la red, en este caso se utilizaron una y dos capas ocultas. Esto
se debe a que hay estudios (Moreno 2003) que mencionan que al agregar más capas ocultas, los
resultados no varían en forma significativa y solo se complejiza la red haciendo más lento su
procesamiento
Redes Neuronales Artificiales, una herramienta para las Finanzas.
48
3.6.1.5 Número de neuronas
Esto indica la cantidad que se desea de neuronas en la capa oculta, en este caso se utilizaron 16,
32 y 38 neuronas
3.6.1.6 Función de activación
El software dispone de varias funciones de activación como lo son:
a) Axon (lineal) b) Bias Axon (lineal)
c) Linear Axon (lineal) d) Tanh Axon ( hiperbólica)
e) Linear Tanh Axon f) Linear Sigmoid Axon
g) Sigmoid Axon ( sigmoidal) h ) SoftMax Axon
3.6.1.7 Step size
Esta es la amplitud del paso, esta viene dada por la tasa de aprendizaje e influye en la velocidad
de convergencia del algoritmo. A mayor tasa de aprendizaje mayor es la modificación de los
pesos en cada iteración, con lo que el aprendizaje será más rápido, pero por otro lado pueda dar
lugar a oscilaciones. Debido a que es conveniente usar un número pequeño (de 0,05 a 0,25) en
este caso se utilizo un step size fijo en todas las simulaciones y fue 0,1.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
49
3.6.1.8 Momentum:
Este es un parámetro que se utiliza para reducir las oscilaciones que se puede provocar con el
Step size, Mediante éste se consigue la convergencia de la red en un número menor de
iteraciones. En este estudio este parámetro toma el valor de 0.8 y se consideró fijo para todas las
simulaciones. Cabe mencionar que el software entrega otras opciones diferentes a la técnica del
momento, pero debido a lo recomendado, se utilizó ésta.
3.6.1.9 Épocas:
Es el número máximo de iteraciones o ciclos de entrenamiento, en este caso se utilizaron 1000.
Cabe mencionar que la simulación puede parar automáticamente en base a ciertos criterios, como
que el error llegue a cierto límite o un mal comportamiento de la curva de aprendizaje.
3.6.2 INDICADORES DE RESULTADO
Neurosolutions entrega una serie de valores para medir el comportamiento de la red y sus
resultados. El componente encargado del error en la aplicación es el ErrorCriterion, que provee 6
valores para medir el rendimiento de una RNA.
3.6.2.1 MSE ( Error cuadrático medio)
Muestra el promedio de los errores al cuadrado. Mide la diferencia entre los valores, compara el
valor estimado con el deseado.
Donde:
dij= salida deseada para el caso i de la neurona j
yij= salida de la red para el caso i de la neurona j
N= Número de casos en el set de datos
P= Número de neuronas en la capa de salida
Redes Neuronales Artificiales, una herramienta para las Finanzas.
50
3.6.2.2 NMSE (Error cuadrático medio normalizado)
Donde:
P= Número de neuronas en la capa de salida
N= Número de casos en el set de datos
MSE = error cuadrático medio
dij= salida deseada para el caso i de la neurona j
3.6.2.3 Coeficiente de correlación
Establece una medida del grado de asociación lineal entre la variable respuesta y la variable
predictora, Se define, a partir de los n pares de observaciones.
Los valores que puede tomar el coeficiente de correlación "r" son: -1 < r < 1
Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La
correlación es tanto más fuerte cuanto más se aproxime a 1.
Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable disminuye el de la
otra). La correlación negativa es tanto más fuerte cuanto más se aproxime a -1.
Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de
correlación (parabólica, exponencial, etc.)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
51
3.6.2.4 Porcentaje de error
Entrega en valor porcentual el promedio de las diferencias entre el valor estimado y el deseado.
Donde:
dyij= salida de la red para el caso i de la neurona j
ddij= salida deseada para el caso i de la neurona j
N= Número de casos en el set de datos
P= Número de neuronas en la capa de salida
3.6.2.5 AIC (Akaike's information criterion)
Se utiliza para medir la compensación entre el funcionamiento del entrenamiento y el tamaño de
la red. La meta es reducir al mínimo este término para producir una red con la mejor
generalización
Donde:
k = número de pesos en la red
N= número de casos en el set de entrenamiento
MSE = error cuadrático medio.
3.6.2.6 MDL (Minimum Description Length)
Es similar al AIC, solo que intenta combinar el error del modelo con el número de grados de
libertad para determinar el nivel de la generalización. La meta es reducir al mínimo este término.
Donde:
k = número de pesos en la red
N= número de casos en el set de entrenamiento
MSE = error cuadrático medio.
Redes Neuronales Artificiales, una herramienta para las Finanzas.
52
3.7 APLICACIÓN DE LAS REDES NEURONALES
Se realizaron 50 simulaciones distintas con el programa NeuralBuilder. Éstas fueron divididas en
primera instancia por dos aspectos.
1º El tipo de modelo de datos de entrada a usar (mencionado anteriormente).
• Modelo de Precio ),,( 321 −−−∫= tttt PPPp
tp = precio cobre a predecir.
1−tP = precio día anterior.
2−tP = precio rezagada en dos períodos.
3−tP = precio rezagado en tres períodos.
• Modelo de Múltiples variables ),,,,( 111,111 −−−−−− −−∫= ttttttt PSTDChinaCLIPDCLIp
tp = precio cobre a predecir.
1−− tPDCLI = Indicador del desarrollo económico de los países desarrollados en período anterior.
1−− tChinaCLI = Indicador desarrollo económico de China en período anterior.
1−tD = Índice del dólar del día anterior.
1−tT = Tasa interés bono a 10 años del Treasury de USA del día anterior.
=−1tS Valor de inventario bolsa New York USA del día anterior.
1−tP = precio del cobre en LME (Bolsa de Londres) del día anterior.
2º El período a usar; el período de estudio de la investigación corresponde desde Enero 1996 a
Junio 2006, sin embargo debido al incremento sostenido del precio del cobre a partir del año
2005, se decidió separar la muestra en un período estable (Enero 1996- Diciembre 2004) y un
período volátil (2005- Junio 2006), con el fin de analizar el comportamiento de RNA en la
predicción de precios para períodos con distintas volatilidades. En las tablas 3.9 y 3.10 se pueden
comparar los valores de las volatilidades para cada período.
En la Tabla 3.4 se muestran todas las simulaciones realizadas en esta investigación
Red
es N
euro
nal
es A
rtifi
cial
es,
un
a he
rra
mie
nta
pa
ra la
s F
inan
zas.
53
Tab
la 3
.4
Sim
ula
cio
nes
RN
A
Cap
a O
culta
C
apa
Sal
ida
Nº
Per
íodo
V
aria
ble
Ent
rad
a C
apas
N
euro
nas
Fu
nci
ón
Ap
ren
diza
je S
tep
siz
e M
om
en
Neu
ron
as F
unci
ón
Ap
ren
diza
je S
tep
siz
e M
om
en
1
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Bia
s A
xon
M
om
entu
m
0.
1 0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
2
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Lin
ear
Tan
h A
xon
M
om
ent
um
0
.1
0.8
1
Li
nea
r T
anh
Axo
n M
om
entu
m
0.1
0
.8
3
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Axo
n
Mo
men
tum
0
.1
0.8
1
A
xon
M
om
entu
m
0.1
0
.8
4
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Tan
h A
xon
M
om
entu
m
0.
1 0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
5
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Sig
mo
id A
xon
M
om
entu
m
0.1
0
.8
1
Sig
mo
id A
xon
M
om
entu
m
0.1
0
.8
6
96-0
4 p
reci
o 3
rez
ago
s 1
1
6
Tan
h A
xon
M
om
entu
m
0.
1 0
.8
1
Lin
ear
Tan
h A
xon
Mo
men
tum
0
.1
0.8
7
96
-04
pre
cio
3 r
ezag
os
1
16
Li
nea
r A
xon
M
om
entu
m
0.1
0
.8
1
Lin
ear
Axo
n
Mo
men
tum
0
.1
0.8
8
96
-04
pre
cio
3 r
ezag
os
1
32
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
9
96
-04
pre
cio
3 r
ezag
os
1
32
A
xon
M
om
entu
m
0.1
0
.8
1
Axo
n
Mo
men
tum
0
.1
0.8
1
0 96
-04
pre
cio
3 r
ezag
os
1
32
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
1 96
-04
pre
cio
3 r
ezag
os
1
32
Li
nea
r T
anh
Axo
n
Mo
men
tu
m
0.1
0
.8
1
Lin
ear
Tan
h A
xon
Mo
men
tum
0
.1
0.8
1
2 96
-04
pre
cio
3 r
ezag
os
2
32
T
anh
Axo
n M
om
entu
m
0.
1 0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
13
96-0
4 p
reci
o 3
rez
ago
s 2
1
6
Tan
h A
xon
Mo
men
tum
0
.1
0.8
1
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
4 96
-04
pre
cio
3 r
ezag
os
2
32
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
5 96
-04
pre
cio
3 r
ezag
os
2
16
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
6 96
-04
pre
cio
3 r
ezag
os
2
16
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
7 96
-04
pre
cio
3 r
eza
gos
2
32
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
8 96
-04
pre
cio
3 r
ezag
os
2
16
Li
nea
r T
anh
Axo
n
Mo
men
tu
m
0.1
0
.8
1
Lin
ear
Tan
h A
xon
Mo
men
tum
0
.1
0.8
1
9 96
-04
pre
cio
3 r
ezag
os
2
32
Li
nea
r T
anh
Axo
n
Mo
men
tu
m
0.1
0
.8
1
Lin
ear
Tan
h A
xon
Mo
men
tum
0
.1
0.8
2
0 96
-04
pre
cio
3 r
ezag
os
2
16
A
xon
M
om
entu
m
0.1
0
.8
1
Axo
n
Mo
men
tum
0
.1
0.8
2
1 96
-04
Otr
as v
ari
able
s 1
1
6
Bia
s A
xon
M
om
entu
m
0.1
0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
22
96-0
4 O
tras
va
riab
les
1
16
Li
nea
r T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
Li
nea
r T
anh
Axo
n M
om
entu
m
0.1
0
.8
23
96-0
4 O
tras
va
riab
les
1
16
A
xon
M
om
entu
m
0.1
0
.8
1
Axo
n
Mo
men
tum
0
.1
0.8
2
4 96
-04
Otr
as v
ari
able
s 1
1
6
Tan
h A
xon
M
om
entu
m
0.1
0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
25
96-0
4 O
tras
va
riab
les
1
16
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
2
6 96
-04
Otr
as v
ari
able
s 1
1
6
Tan
h A
xon
M
om
entu
m
0.1
0
.8
1
Lin
ear
Tan
h A
xon
Mo
men
tum
0
.1
0.8
2
7 96
-04
Otr
as v
ari
able
s 1
1
6
Lin
ear
Axo
n
Mo
men
tum
0
.1
0.8
1
Li
nea
r A
xon
M
om
entu
m
0.1
0
.8
28
96-0
4 O
tras
va
riab
les
1
32
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
2
9 96
-04
Otr
as v
ari
able
s 1
3
2
Axo
n
Mo
men
tum
0
.1
0.8
1
A
xon
M
om
entu
m
0.1
0
.8
30
96-0
4 O
tras
va
riab
les
1
32
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
Red
es N
euro
nal
es A
rtifi
cial
es,
un
a he
rra
mie
nta
pa
ra la
s F
inan
zas.
54
31
96-0
4 O
tras
va
riab
les
1
32
Li
nea
r T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
Li
nea
r T
anh
Axo
n M
om
entu
m
0.1
0
.8
32
96-0
4 O
tras
va
riab
les
2
32
c/u
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
3
3 96
-04
Otr
as v
ari
able
s 2
1
6 c
/u
Tan
h A
xon
M
om
entu
m
0.1
0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
34
96-0
4 O
tras
va
riab
les
2
32
c/u
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
1
S
igm
oid
Axo
n
Mo
men
tum
0
.1
0.8
3
5 96
-04
Otr
as v
ari
able
s 2
1
6 c
/u
Sig
mo
id A
xon
M
om
entu
m
0.1
0
.8
1
Sig
mo
id A
xon
M
om
entu
m
0.1
0
.8
36
96-0
4 O
tras
va
riab
les
2
16
c/u
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
3
7 96
-04
Otr
as v
ari
able
s 2
3
2 c
/u
Bia
s A
xon
M
om
entu
m
0.1
0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
38
96-0
4 O
tras
va
riab
les
2
16
c/u
Li
nea
r T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
Li
nea
r T
anh
Axo
n M
om
entu
m
0.1
0
.8
39
96-0
4 O
tras
va
riab
les
2
32
c/u
Li
nea
r T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
Li
nea
r T
anh
Axo
n M
om
entu
m
0.1
0
.8
40
96-0
4 O
tras
va
riab
les
2
16
c/u
A
xon
M
om
entu
m
0.1
0
.8
1
A
xon
M
om
entu
m
0.1
0
.8
41
96-0
4 p
reci
o 3
rez
ago
s D
1
3
8
Tan
h A
xon
M
om
entu
m
0.
1 0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
42
96-0
4 p
reci
o 3
rez
ago
s C
1
3
8
Tan
h A
xon
M
om
entu
m
0.
1 0
.8
1
Tan
h A
xon
M
om
entu
m
0.1
0
.8
43
05--
06
p
reci
o 3
rez
ago
s 1
1
6
Bia
s A
xon
M
om
entu
m
0.1
0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
44
05--
06
p
reci
o 3
rez
ago
s 1
3
2
Bia
s A
xon
M
om
entu
m
0.1
0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
45
05--
06
p
reci
o 3
rez
ago
s 1
1
6
Axo
n
Mo
men
tum
0
.1
0.8
1
Axo
n
Mo
men
tum
0
.1
0.8
4
6 05
--0
6
pre
cio
3 r
ezag
os
1
16
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
1
T
anh
Axo
n
Mo
men
tum
0
.1
0.8
4
7 05
--0
6
Otr
as v
ari
able
s 1
1
6
Bia
s A
xon
M
om
entu
m
0.1
0
.8
1
Bia
s A
xon
M
om
entu
m
0.1
0
.8
48
05--
06
O
tras
va
riab
les
1
16
Li
nea
r A
xon
M
om
entu
m
0.
1 0
.8
1
Lin
ear
Axo
n
Mo
men
tum
0
.1
0.8
4
9 05
--0
6
Otr
as v
ari
able
s 2
1
6 c
/u
Axo
n
Mo
men
tum
0
.1
0.8
1
A
xon
M
om
entu
m
0.1
0
.8
50
05--
06
O
tras
va
riab
les
2
32
c/u
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
1
B
ias
Axo
n
Mo
men
tum
0
.1
0.8
Fu
ente
: E
labo
raci
ón P
ropi
a
Redes Neuronales Artificiales, una herramienta para las Finanzas
55
3.8 RESULTADOS MODELOS DE RNA
Los criterios seleccionados para definir que red entregó los mejores resultados fueron:
• MSE (Error cuadrático medio)
• Porcentaje de Error
Se seleccionó el mejor modelo dentro de cada categoría, a continuación se detallan sus
características. En el Anexo 2 se encuentran los resultados de los 50 modelos.
3.8.1 EN PERÍODO ENERO 1996- DICIEMBRE 2004
3.8.1.1 Modelo de precio
La mejor prueba encontrada en esta categoría fue la Nº 10, la cual se muestra a continuación en la
tabla 3.5:
Tabla 3.5
Prueba Nº 10
Fuente: Elaboración Propia
Tipo Red Perceptrón Multicapa Precio real versus Precio estimado por la Red
Período 1996-2004 Variables entrada Precio 3 rezagos Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%
Testing 15% Capa Oculta Capa Salida Nº Capas 1 1 Nº Neuronas 32 1
Función Bias Axon Bias Axon Resultados Testing
Aprendizaje Momentum Momentum Step size 0,1 0,1
Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,001873 0,002152
% Error 1,121897% 1,064800%
Redes Neuronales Artificiales, una herramienta para las Finanzas
56
3.8.1.2 Modelo de Múltiples Variables
La mejor prueba encontrada en esta categoría fue la Nº 37, la cual se muestra a continuación en
la Tabla 3.6
Tabla 3.6
Prueba Nº 37
Fuente: Elaboración propia
Tipo Red Perceptrón Multicapa Precio real versus Precio estimado por la Red
Período 1996-2004 Variables entrada Múltiples Variables Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%
Testing 15% Capa Oculta Capa Salida Nº Capas 2 1 Nº Neuronas 32 1
Función Bias Axon Bias Axon Resultados Testing
Aprendizaje Momentum Momentum Step size 0,1 0,1
Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,001856 0,001702
% Error 1,171287% 1,042978%
Redes Neuronales Artificiales, una herramienta para las Finanzas
57
3.8.2 EN PERÍODO ENERO 2005- JUNIO 2006
3.8.2.1 Modelo de precio
La mejor prueba encontrada en esta categoría fue la Nº 45, la cual se muestra a continuación en la
Tabla 3.7
Tabla 3.7
Prueba Nº 45
Fuente: Elaboración propia
Tipo Red Perceptrón Multicapa Precio real versus Precio estimado por la Red
Período 1996-2004 Variables entrada Precio 3 rezagos Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%
Testing 15% Capa Oculta Capa Salida Nº Capas 1 1 Nº Neuronas 16 1
Función Axon Axon Resultados Testing
Aprendizaje Momentum Momentum Step size 0,1 0,1 Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,010918 0,034611 % Error 1,060318% 0,869682%
Redes Neuronales Artificiales, una herramienta para las Finanzas
58
3.8.2.2 Modelo de Múltiples Variables
La mejor Prueba encontrada en esta categoría fue la Nº 47, la cual se encuentra a continuación en
la Tabla 3.8
Tabla 3.8
Prueba 47
Fuente: Elaboración Propia
Como características comunes de las configuraciones se encontró que en los 4 mejores modelos,
las funciones que mejor desempeño generan, son las funciones lineales (Bias Axon y Axon). Con
respecto a las capas ocultas 3 de los 4 mejores modelos sólo ocuparon 1 capa oculta y con
respecto al Nº de neuronas para los modelos en período 96-04 (período estable) los mejores
resultados se obtuvieron usando 32 neuronas en cada capa mientras que para los modelos período
05-06 (período volátil) las mejores configuraciones se produjeron usando 16 neuronas.
Con respecto a los resultados obtenidos en el testing, la RNA que mejor desempeño tuvo fue la
prueba Nº 45, que predijo el precio en período volátil (05-06) usando como variables de entrada
el modelo de precios con rezagos, obteniendo un 0.5% de error.
Tipo Red Perceptrón Multicapa Precio real versus Precio estimado por la Red
Período 1996-2004 Variables entrada Múltiples variables Salida Precio en dólares Entrenamiento 50% Validación Cruzada 35%
Testing 15% Capa Oculta Capa Salida Nº Capas 1 1 Nº Neuronas 16 1
Función Bias Axon Bias Axon Resultados Testing
Aprendizaje Momentum Momentum Step size 0,1 0,1
Valor Momento 0,8 0,8 Entrenamiento Cross validación MSE 0,008605 0,468784
% Error 0,992619% 3,550852%
Redes Neuronales Artificiales, una herramienta para las Finanzas
59
Frente a la discusión de las variables de entradas, no hay claros indicios si sólo basta con usar el
precios del día anterior o es bueno incorporar otras variables, ambos modelos entregan resultados
muy parecidos y aceptables. Por lo cual se considera que usar precios del día anterior es
suficiente para simular una RNA y obtener buenos resultados.
3.9 ANÁLISIS DE RESULTADOS MODELOS DE RNA
Una vez realizada las distintas simulaciones de las RNA con los distintos modelos, cabe
preguntarse si los resultados entregados por las mejores configuraciones en cada caso son
relevantes para la toma de decisiones de un inversionista. Puede suceder que las RNA en forma
numérica puedan dar aparentemente buenos resultados, pero que éstos al llevarlos a la práctica,
no generen grandes aportes. En la siguiente sección se analizará si el carácter predictivo de las
RNA puede generar realmente un valor agregado para el inversionista.
3.9.1 ANÁLISIS PRECIO DEL COBRE PERÍODO 1996-2004 Y 2005- JUNIO 2006
Como primera instancia se considera relevante hacer un análisis descriptivo del precio del cobre
en centavos de dólar, para cada período estudiado en esta investigación. A continuación se
muestran dos tablas con los resultados del análisis.
Tabla 3.9 Tabla 3.10
Estadística Descriptiva (1996-2004) Estadística Descriptiva (2005-2006)
Fuente: Elaboración Propia Fuente: Elaboración Propia
Cobre período 96-04
Media 87,71238904 Error típico 0,440862698 Mediana 79,74 Moda 71,80369242 Desviación estándar 21.01856547 Varianza de la muestra 441,7800943 Curtosis 0,064071377 Coeficiente de asimetría 1,062396468 Mínimo 59,82885048 Máximo 149,0958541 Cuenta 2273 Nivel de confianza (95,0%) 0,864535548
Cobre período 05-06 Media 224,2118415 Error típico 3,600825547 Mediana 195,46 Moda 159,89 Desviación estándar 74,58143364 Varianza de la muestra 5562,390243
Curtosis -0,523873903 Coeficiente de asimetría 0,953984624 Mínimo 145,89 Máximo 398,57 Cuenta 429
Nivel de confianza (95,0%) 7,077501964
Redes Neuronales Artificiales, una herramienta para las Finanzas
60
Figura 3.1
Comportamiento del precio del cobre
PRECIO DEL COBRE DE LME
0
50
100
150
200
250
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Año
Ce
nta
vos
de D
óla
r
Fuente: Elaboración propia
Como dato relevante se considera el análisis de la desviación estándar, que muestra para el
período 05-06 un valor considerablemente superior que para el período 96-04, por lo que se
comprueba que el período 05-06 es un período donde el precio del cobre notoriamente presenta
mayores fluctuaciones, mayor volatilidad y en el cual se hace mucho más atractiva su posible
predicción.
Luego como el objetivo de esta investigación es la predicción del precio Spot diario del cobre
transado en la Bolsa Metales de Londres, se analizó en los dos períodos estudiados (96-04 y 05-
06) cuáles eran las fluctuaciones diarias, semanales y mensuales del precio del cobre tanto en
centavos como en porcentaje. En la Tabla 3.11 se resume la información.
Tabla 3.11
Variación Promedio Precio cobre (centavos de US$ y porcentaje)
96-04 05-06 Variación Diaria 0,98 (1,08%) 2,85 (1,19%)
Variación Semanal 1,77 (1,94%) 5,82 (2,35%) Variación Mensual 3,39 (3,77%) 11,77 (5,12%)
Fuente: Elaboración Propia
Redes Neuronales Artificiales, una herramienta para las Finanzas
61
Para el período 96-04 la variación promedio diaria que afecta al precio del cobre transado en la
Bolsa Metales de Londres (LME) es de 1,08% (0,98 centavos de dólar), no alcanza a ser un
centavo de dólar lo que fluctúa el precio entre un día y otro como promedio, por lo que su
predicción se hace francamente difícil.
Se considera importante este dato, ya que si las RNA simuladas entregan como resultado un error
(diferencia entre el precio real del cobre y el precio estimado por la RNA) muy superior a lo
valores ya mencionados, su aplicabilidad para la predicción diaria, sería ineficiente. Por ejemplo
si una RNA constantemente está calculando el valor real del cobre más un rango de error +/- 5
centavos, esta red no serviría para la predicción de precios diarios, ya que la variación diaria
promedio es +/- 1 centavo, entonces la RNA siempre estaría dando valores muy por sobre los
reales, sin embargo, sí sirve para la predicción de precios mensuales en períodos de alta
volatilidad donde el precio varia +/- 11,77 centavos de dólar. Es importante señalar que 1 centavo
de dólar, puede ser muy relevante a la hora de las inversiones, puede generar grandes ganancias o
pérdidas.
Por lo tanto las RNA deben dar una error promedio de predicción menor, al promedio de la
variación diaria del precio spot del cobre transado en la LME, para que puedan ser consideradas
como útiles.
3.9.2 ANÁLISIS DE RESULTADOS ENTREGADOS POR LA RED
A continuación se evalúan los promedios de los errores (diferencia entre el precio real del cobre
y el precio estimado por la red), de los 4 mejores modelos obtenidos en las simulaciones. En la
Tabla 3.12 se puede observar los valores obtenidos
Tabla 3.12
Promedio de los errores en Centavos de US$
Período 96-04 Período 05-06 Variables entrada Modelo Centavos Modelo Centavos Precio 3 rezagos Nº 10 0,67 (0.92%) Nº 45 0,99 (0.5 %) Múltiples Variables Nº 37 0,63 (0.83%) Nº 47 2,06 (1.06%)
Fuente: Elaboración propia
La Prueba Nº 10 que tenía como variables de entrada el precio con 3 rezagos y que fue evaluado
en el período 96-04, tuvo un promedio de error de estimación de 0,67 centavos de dólar. Esta
diferencia se calculó con los datos usados en el testing de la red, el cual se hizo con 286 datos.
Redes Neuronales Artificiales, una herramienta para las Finanzas
62
Sorpresivamente se encuentra que ambos modelos usados para el período 96-04 presentan un
error de estimación (0,67 y 0,63 centavos) por debajo de la variación del precio diario del cobre
transado en la LME (0,98 centavos). Esto muestra que las RNA tiene una alta capacidad
predicativa que las hace ser una excelente herramienta para el área de inversiones en finanzas. Es
importante mencionar que los valores de 0,67 y 0,63 centavos son promedios, por lo que existen
días donde la red genera errores de estimación mayores, sin embargo por ejemplo para el modelo
Nº 10 el rango de errores de estimación fueron de -3,4 centavos (red predijo un precio menor al
real) y 3,2 centavos (red calculó precio del cobre con 3,2 centavos más del precio real).
A continuación se muestra la Tabla 3.13 que contiene el rango de errores producido por la red.
Tabla 3.13
Rango errores producidos en testing de la red.
(Centavos de dólar)
Fuente: elaboración propia
En el anexo 3 se encuentran las pruebas de testing para los 4 mejores modelos, en el cual se
muestra el precio real del cobre en un período determinado y el resultado entregado por la red
para ese mismo período.
Los resultados entregados por las distintas redes se consideran exitosos, producto que todos los
promedios de las diferencias entre lo real y la red son menores a la variación promedio del cobre
diario. Específicamente para el período de alta volatilidad los resultados son aún mejores
producto que la variación del cobre durante 2005-Junio 2006 ha sido de 2,85 centavos diarios y
las RNA arrojaron un error diario promedio de 0,99 y 2,06 centavos, lo que da un margen de 1,86
centavos en el mejor de los casos (2,85-0,99) con el cual trabajar. Y como se mencionó
recientemente 1 centavo puede ser muy significativo en el minuto de invertir.
Mejores resultados aún se encuentran al comparar los errores de la red con los promedios
semanales y mensuales del precio del cobre. Para las RNA predecir precios diarios, semanales,
mensuales, variaciones de precio, etc. debiera ser lo mismo, producto que son sólo números los
que la red procesa. Por lo que si se extrapola estos resultados y se supone que el error de la red
Modelo Nº 10 Modelo Nº 37 Modelo Nº 45 Modelo Nº 47
-3,4 3,2 -2,9 +3,3 -3,7 +1,1 -6,9 +6,0
Redes Neuronales Artificiales, una herramienta para las Finanzas
63
se mantiene al predecir precios semanales o mensuales, las diferencias serían aún más
favorables. Se estará trabajando con errores cercanos a 1 centavo de dólar cuando el precio en un
mes varía aproximadamente en 3,39 centavos en períodos estables y 11,77 centavos en períodos
volátiles, por lo que al simular una RNA y poder estimar el precio promedio del mes siguiente
entrega una gran ventaja competitiva al inversionista por sobre otros inversionistas que no
utilizan RNA. Ya que aquel que sí las utiliza sabrá con pequeños porcentajes de error, entre qué
precios se moverá el valor del cobre, información privilegiada que todo inversionista desearía
tener.
3.9.3 RESULTADOS RNA APLICADAS EN OTRAS INVESTIGACIONES
Brunel (2005) en su investigación “Modelos de Redes Neuronales y el Precio del Cobre: Una
Perspectiva Sorprendente. Evidencias para el período Enero de 2003 – Diciembre de 2004”,
trabajó con la predicción de la variación del precio del cobre semanal, para lo cual usó RNA del
tipo Rolling y Recursivo. Evaluó sus resultados simulando transacciones con el precio del cobre.
Supuso a un inversionista con una inversión inicial de US$ 10.000, quien operararía en el
mercado internacional del cobre (Bolsa de Metales de Londres) según lo predicho por los
distintos modelos analizados por éste, es decir, compraría si los modelos señalaran una variación
positiva para el próximo período, y vendería, o no compraría, si el modelo señalara una
disminución. El período analizado corresponde a enero de 2003 y diciembre de 2004.
Adicionalmente, con el objetivo de realizar una comparación más cercana al mundo de las
finanzas, Brunel comparo los resultados obtenidos por las distintas RNA con los resultados
logrados por los siguientes modelos:
• Estrategia “Buy and Hold”
• Estrategia basada en expectativas adaptativas (“Naïve Strategy”).
• Indicadores Técnicos: Medias Móviles, RSI, %K (oscilador estocástico) y %R (Oscilador
de Williams).
A continuación en la Tabla 3.14 se muestran los resultados obtenidos por Brunel (2005)
Redes Neuronales Artificiales, una herramienta para las Finanzas
64
Tabla 3.14
Resultados obtenidos
Fuente: Brunel 2005
Los resultados obtenidos por los distintos modelos neuronales simulados por Brunel, son
destacados. A lo largo de todo el período (2003 – 2004,) todos los modelos neuronales
seleccionados, superan ampliamente, en términos económicos, a otros modelos utilizados en el
mundo de las finanzas; y no sólo por la rentabilidad obtenida, sino también en relación a medidas
de riesgo ajustado, evidenciando bajas volatilidades en los retornos, altos valores para el ratio de
Sharp y bajos valores para medidas como “Probabilidad de Pérdida”.
En concreto, los resultados muestran que la elevada capacidad predictiva del modelo “Rolling
30” se materializa en una rentabilidad acumulada de un 138,13%, equivalente a un retorno de
44,42% anualizado, lo más alto de entre los modelos analizados.
Redes Neuronales Artificiales, una herramienta para las Finanzas
65
Capítulo
Utilización de las RNA en Chile
4
Redes Neuronales Artificiales, una herramienta para las Finanzas
66
4. UTILIZACIÓN DE LAS REDES NEURONALES EN CHILE Con el fin de poder determinar si en Chile se utilizan las RNA, en el área de finanzas, se elaboró
una encuesta. Esta fue aplicada a diferentes Corredoras de Bolsa, a fin de poder saber si las RNA
son una herramienta conocida entre ellas, o de lo contrario por qué no lo son.
Se realizaron 10 preguntas, en las cuales se pretendía saber si las principales corredoras de Bolsa
del país, conocían esta Innovadora herramienta, si la habían escuchado alguna vez, si la
utilizaban, si sabían los diferentes usos, etc. En el anexo 4 se encuentra el cuestionario aplicado a
las corredoras.
Las corredoras encuestadas fueron seleccionadas de la Bolsa de Comercio de Santiago y de la
Bolsa Electrónica. De ahí se obtuvo los respectivos correos electrónicos, mecanismo por el cual
se hizo llegar la encuesta a los funcionarios de éstas (Jefe de Operaciones, Estudios, Mesas de
Dinero, Acciones, Renta fija, Moneda Extranjera, etc.).
El total de corredoras existentes en las diferentes bolsas sumaron un total de 40, se envió la
encuesta a la totalidad de ellas, de éstas contestaron 16 (40%), a continuación se mencionan las
corredoras que respondieron:
• Afitrading • EuroAmerica
• Banchile • Finanzas & Negocios
• Banco Estado • Intervalores
• BBVA • Inversiones Boston
• BCI • Larrain Vial
• CB • MBI
• Chile Market • Munita, Cruzat & Claro
• Consorcio • Skandia
Redes Neuronales Artificiales, una herramienta para las Finanzas
67
4.1 RESULTADOS DE LA ENCUESTA
Los resultados obtenidos en la encuesta se encuentran tabulados en el Anexo 5
De la pregunta Número 1, se pudo concluir que las RNA no es un tema desconocido para los
Corredoras de Bolsa, ya que el 75% mencionó que alguna vez había escuchado hablar de las
RNA, mientras que sólo el 25% mencionó que no. En la Figura 4.1, se muestran los resultados
Figura 4.1
Pregunta 1
PREGUNTA 1
75%
25%
SI NO
Fuente: Elaboración Propia
A momento de determinar que conocía de esta innovadora herramienta (Pregunta 2), la gran
mayoría mencionó que lo más conocido para ellos era la idea general, seguido de los usos.
También es importante indicar que 5 personas no sabían nada de esta herramienta. Cabe señalar
que una persona podía escoger más de una alternativa. En la Figura 4.2 se muestran los
resultados. Figura 4.2
Pregunta 2 (Nº Personas)
PREGUNTA 2
9
33
6
5Idea General
Significado
Funcionamiento
Usos
Nada
Fuente: Elaboración Propia
Redes Neuronales Artificiales, una herramienta para las Finanzas
68
Al momento de poder determinar si a los encuestados, en sus casa de estudio, le habían enseñado
el tema de las RNA, se encontró que solo al 13% (2 personas) si les habían dado a conocer este
tema, mientras que a la gran mayoría no. A continuación en la Figura 4.3 se muestran los
resultados
Figura 4.3
Pregunta 3
PREGUNTA 3
87%
13%
SI
NO
Fuente: Elaboración Propia
La mayoría de los encuestados (56%) han leído y conocen artículos en donde se mencionan los
usos de las RNA en el área financiera (Figura 4.4).
Figura 4.4
Pregunta 4
PREGUNTA 4
56%
44% SI
NO
Fuente: Elaboración Propia
Redes Neuronales Artificiales, una herramienta para las Finanzas
69
Dentro de los usos más destacados con los que identifican las RNA, es con la predicción de series
de tiempo (precios), ya que la gran mayoría de los encuestados (11) han leído y conocen acerca
de este uso, es importante mencionar que nadie conocía el uso de las RNA como método de
clasificación de bonos. Cabe indicar que en esta pregunta las personas podían seleccionar más de
una alternativa. A continuación en la Figura 4.5 se muestran los resultados.
Figura 4.5
Pregunta 5
PREGUNTA 5
1
11
2
3
41
Aprobación de créditos.
Predicción de series de tiempo
Determinación del riesgo de quiebrade una empresa.
Predicción del comportamiento deinversionistas.
Ninguno
No contesta
Fuente: Elaboración Propia
Se encontró que sólo el 13% de los encuestados (2 personas) han utilizado o utilizan las RNA,
ocupando para ello un software propio en uno de los casos y Excel, en el otro. La gran mayoría
indicó que nunca había utilizado las RNA. En la Figura 4.6 se muestran los resultados a esta
pregunta.
Los encuestados que han usado las RNA, consideran éstas como una herramienta útil para las
finanzas. Figura 4.6
Pregunta 6
PREGUNTA 6
13%
81%
6%
SI
NO
NO CONTESTA
Fuente: Elaboración Propia
Redes Neuronales Artificiales, una herramienta para las Finanzas
70
Al momento de determinar, cuál es la principal razón de no utilizar esta herramienta, se concluyó
que la gran mayoría determinó que era por desconocimiento de la herramienta (13 personas)
seguido de que existen otros modelos alternativos (6 personas). Cabe indicar que en esta pregunta
se podían escoger varias alternativas. En la Figura 4.7 se muestran los resultados
Figura 4.7
Pregunta 9
PREGUNTA 9
13
21
1
6
Desconocimiento
Falta de Software
Altos costos
Alta complejidad versusresultados que entregan
Otros modelos Alternativos
Fuente: Elaboración Propia
Como se mencionó anteriormente, varias personas no utilizan las redes neuronales producto que
usan otros modelos alternativos. De la pregunta 10 se puede determinar que la gran mayoría
utiliza como modelo alternativo a las RNA, el Análisis técnico (12) y el Análisis fundamental
(14). Es importante indicar que en esta pregunta se podía escoger más de una opción. A
continuación en la Figura 4.8 se muestran los resultados
Figura 4.8
Pregunta 10
PREGUNTA 10
2 3
1214
1 1APT
CAPM
Análisis Técnico
Análisis Fundamental
Programación Lineal
Otro
Fuente: Elaboración Propia
Redes Neuronales Artificiales, una herramienta para las Finanzas
71
Capítulo
Conclusiones y Recomendaciones
5
Redes Neuronales Artificiales, una herramienta para las Finanzas
72
5 CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES
Como primera conclusión es importante erradicar el concepto de RNA como una herramienta
mágica, sino entender que estas trabajan en el reconocimiento de patrones y su principal ventaja,
es la alta capacidad de procesamiento que poseen, éstas pueden administrar y procesar una gran
cantidad de información, generando así desempeños importantes.
Cabe mencionar que las RNA se están aplicando en diversas áreas. Al iniciar esta investigación
se pensó que no había mayor desarrollo en el área, sin embargo se encontraron múltiples estudios
en los cuales se han investigado y aplicado las RNA, existe un amplia bibliografía extranjera, sin
embargo Chile aún no cuenta con grandes desarrollos literarios, la mayor parte de la literatura se
encuentra en investigaciones o tesis realizadas por las distintas universidades.
Con respecto a la aplicación de RNA en la predicción de precios, se concluye que éstas son útiles
para períodos con mayor volatilidad (esto no significa que predigan mejor), producto que en
períodos estables, la información que maneja un inversionista puede ser suficiente para
determinar el precio del período siguiente, sin embargo cuando se identifican períodos de altas
volatilidades, la predicción se transforma en un elemento complejo de determinar, siendo las
RNA de gran ayuda en estos casos. Así mismo se concluye que las RNA presentan una ventaja
competitiva en la determinación de precios de instrumentos financieros con mayor volatilidad
(acciones).
Es importante señalar que es crucial la determinación del período de información que utilizará
una RNA, al iniciar esta investigación se tomo el período 1996- Junio 2006 como período de
estudio, sin embargo la red no entregaba buenos resultados, ya que la información de precios
anterior al año 2005 distorsionaba el fenómeno de alza de precios del cobre del último período,
por lo que para este caso usar sólo datos del ultimo año (2005-Junio 2006) era más eficiente para
predecir los últimos precios. Se concluye que para la predicción de precios diarios se deben
separar los períodos volátiles de los estables, para eliminar los ruidos del precio y depurar la
información.
Redes Neuronales Artificiales, una herramienta para las Finanzas
73
Es así como se probaron las RNA; se simularon 50 pruebas entre ambos períodos y el mejor
resultado se obtuvo en el prueba Nº 45 que pertenece al período volátil (2005-Junio 2006) con
un error de 0.5 %. Sin embargo no existen diferencias considerables en los resultados entregados
por las RNA en los distintos períodos, por lo que se concluye que las RNA, generan buenos
resultados en todos los casos. Determinándose que las RNA son una herramienta útil para
problemas de predicción.
Con respecto a las variables de entrada utilizadas se puede concluir, producto de los buenos
resultados de ambos modelos, que es suficiente considerar el precio con rezagos como variables
determinantes del precio del cobre, no genera un gran valor buscar otras variables que puedan
influir en él y que pueden ser de compleja obtención. En base a esto se puede decir que no se
estaría cumpliendo la teoría de los mercados eficientes, ya que los precios de días anteriores
proporcionan información relevante para la determinación del precio actual.
La configuración de una red es otro de los puntos cruciales en la obtención de resultados, a través
de las distintas simulaciones se demostró que las configuraciones más simples, obtenían mejores
resultados. Es así como la función lineal surgió como la óptima en este caso.
A pesar de los buenos resultados que presentan las RNA, lamentablemente se encontró una
realidad distinta en la práctica, ya que la mayoría de las corredoras encuestadas no la utilizan
como herramienta de análisis. Se considera como explicación a lo anterior el que los encuestados
utilizan otros modelos alternativos (APT, CAPM, análisis técnico, análisis fundamental, etc.) con
los cuales logran buenos resultados, no incentivándose a buscar nuevos métodos que pueden
generar mejores desempeños y la actual desinformación que existe en el medio con respecto a las
RNA como herramienta para las finanzas.
Se considera que la penetración de las RNA como una herramienta útil en las finanzas aun no
llega a Chile, la mayoría de los encuestados dio a conocer que en sus Universidades o Centros de
Estudios, no se les enseñó las RNA. Se cree que solo aquellas corredoras que están
constantemente a la vanguardia de la información y que llevan el liderazgo, son las que pueden
estar implementando este tipo de sistemas en sus empresas. Sin embargo aun las RNA son una
herramienta distante, pese a que la mayoría de los encuestados sabe de ellas.
Redes Neuronales Artificiales, una herramienta para las Finanzas
74
Los buenos resultados de la investigación incentivan a probar con métodos dinámicos de RNA,
ya que en el día a día es necesario que la red vaya incluyendo la nueva información para que
esté actualizada y se modifique de acuerdo a los últimos acontecimientos.
Finalmente podemos concluir que las RNA son una excelente herramienta subutilizada, con
gran potencial de desarrollo que ayuda a detectar tendencias y patrones en un período
determinado.
5.1 RECOMENDACIONES
Se considera importante probar con otros tipos de redes además del perceptron multicapa, como
lo son las redes feedforward y modelos dinámicos. Junto con esto probar predecir precios
semanales y mensuales y compararlos con la predicción de los precios diarios, a fin de poder
determinar si el porcentaje de error se mantiene o varía sustancialmente.
Al diseñar los modelos de los determinantes del precio del cobre surge la interrogante, de saber si
el modelo de múltiples variables habría tenido iguales desempeños al no incorporar el precio del
cobre del día anterior, por lo que se recomienda la elaboración de un modelo que no incluya esta
variable dentro de sus determinantes y comparar los resultados con el modelo que sí la incluye.
Puede resultar interesante estudiar las RNA aplicadas a finanzas, dentro de una perspectiva de
análisis costo-beneficio, comparar los costos de usar una RNA versus las actuales herramientas
utilizadas por las corredoras. Por un lado analizar los distintos software existentes de RNA y
comparar sus características frente a sus costos y luego contrastarlo con software de otras
herramientas como Análisis técnico.
Redes Neuronales Artificiales, una herramienta para las Finanzas
75
Bibliografía
Redes Neuronales Artificiales
Redes Neuronales Artificiales, una herramienta para las Finanzas
76
BIBLIOGRAFÍA
AAAA
• Abu-Mostafa Y, “Financial Market Applications of Learnisng from Hints”. Neural
Networks in the Capital Markets, Edited by Apostolos-Paul Refenes, Jonh Wiley & Sons
Ltd, 1995
• Ahmadi H, “Testability of the Arbitrage Pricing Theory by Neural Networks”.
Proceedings of the Internacional Joint Conference on Neural Networks, Vol.I, pp. 385-
393, San Diego, CA, 1990.
BBBB
• Baba N, Morimoto M, Naito M, Maeda T, Matsuda H, “A user Friendly Decisión Support
System for Dealing Stocks Using Neural networks” Proceedings of the Internacional Joint
Conference on Neurla Networks, Vol. I, pp. 762-765, 1993
• Baestaens D, Bergh W, “Tracking the Ansterdam Stock Index Using Neural Networks”
Neural Networks in the Capital Markets, Edited by apostolos –Paul refenes, Jonh Wiley &
Sons Ltd, 1995
• Ballarin A, Di Gregorio C, Maione A, Basti G, Perrone A. “Forecasting Corporate
Bankruptcy: A Neural Networks Approach”. World Conference on neural Networks,
Vol. II, pp. 232-238, 1993
• Barker D. “ Analyzing Financial Health: Integrating Neural Networks and Expert
Systems” PCAI, pp 24-27, 1990
• Bergerson K, Wunsch D, “ A commodity Trading Model Based on a Neural Networks-
Expert System Irbid”. Prooceedings of the Internacional Joint Conference on Neural
Networks, Vol.I, pp 289-293. Seattle, WA, 1991
• Berry R, Trigueiros D. “Applying Neural Netwoks to the Extraction of Knowledge from
Acounting Reports: A Classification Study”, Neural Networks in Finance and Investing,
1993.
Redes Neuronales Artificiales, una herramienta para las Finanzas
77
• Bosarge W. E, “Adaptatie Processes to Explot the Non- Linear Structure of Financial
Markets”. Santa Fe Institute os Complexity Conference: Neural Networks and Pattern
Recognition in Forecastong Financial Markets, February, 1991
• Brunel J.P. “Modelos de Redes Neuronales y el Precio del Cobre:Una Perspectiva
Sorprendente”, Universidad de Chile, 2005
• Bulsari A, Saxen H, “Non-Linear Time Series Análisis by Neural Networks: An Example”.
Proceedings of the Internacional Joint Conference on Neural Networs, Vol.II, pp. 995-
998, 1993
CCCC
• Chang C, Sheu B, Thomas J, “Multi-Layered Back-Propagation Neural Networks for
Finance Análisis”. Worl Conference on Neural Networks, Vol. I, pp. 445-450, 1993.
• Ciudad J.C, “Determinantes del precio spot del cobre en las bolsas de metales”, División
de Recursos Naturales e Infraestructura, Dirección de Estudios de Cochilco, 2005
• COCHILCO, “Anuario Estadísticas del Cobre y Otros Minerales 1986-2005”, 2006
• Coleman J.E, Graettinger T, Lawrence W, “Neural Netwoks for Bankruptcy Prediction:
The Power to Solv Financial Problems”Al Review, July/August, pp. 48-50, 1991.
• Cortez G. “Redes neuronales y algoritmos géticos de primer orden”, Universidad
Catolica de Valparaíso
DDDD
• Del Brío, B. M. y Sanz Molina, A. “Redes Neuronales y Sistemas Borrosos”1997
• Dutta S, Secar S, “Bond Rating: A Non- Conservative Application of Neural Netwoks”.
Proceedings of the Internacional Joint Conference on Neural Networks, Vol. II, pp. 443-
450, 1998.
GGGG
• Gondar J. E. “Redes Neuronales Artificiales”, Data Mining Institute, 2001.
• Grudnitski G, Osburn L, “Forecasting S&P and Gold Future Prices: An Application of
Neural Networks”. The Journal of Future Markets, Vol.13, Nº6, pp.631-643, 1991
Redes Neuronales Artificiales, una herramienta para las Finanzas
78
• Grudnitski G, Do A, “Important Factors in Neural Networks Forecast of Gold Future
Prices”. Neural Networks in the Capital Markets, Edited by Apostolos-Paul Refenes, Jonh
Wiley & Sons Ltd, 1995
HHHH
• Haykin, S. Neural Networks. Macmillan College Publishing Company, New York. 1994.
• Hilera J. R., V. J. Martínez, Redes Neuronales Artificiales. Fundamentos, Modelos y
Aplicaciones, Rama, 1994.
• Hsu W, Hsu L.S, Tenorio M, “A Neural Networks Precedure for Selecting Predective
Indicators in Currency Trading”. Neural Networks in the Capital Markets, Edited by
Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.
KKKK
• Kilmasauskas C. “Applying Neural Networks”. PCAI, January/February, pp. 30-33, 1991,
March/April, pp 27-34, 1991, May/June, pp. 20-24, 1991
• Kimoto T, Asakawa K, Yoda M, Takeoka M, “Stock Market Prediction System with
Modular Neural Networks”. Proceeding of the Internacional Joint Conference on Neural
Networks, Vol. I, pp. 1-6, San Diego, CA, 1990
• Krose, B. and Van der Smagt, P, An Introduction to Neural Networks, University of
Amsterdam, 1993.
LLLL
• Levitt M, “Machina Learning for Foreign Exchange Trading”. Neural Networks in the
Capital Markets, Edited by Apostolos- Paul Refenes, Jonh Wiley & Sons Ltd, 1995.
MMMM
• Marose R “ A Financial Neural- Network Application”. Al Expert, May, pp. 50-53, 1990
• Marquez L, Hill T, Worthley R, Remus W, “Neural Netowork models as an alternative to
Regresión”. IEEE, Proceedings of the 24th Annual Hawai Internacional Conference on
System Sciences, Vol. IV, pp. 129-135, 1991
Redes Neuronales Artificiales, una herramienta para las Finanzas
79
• Martin del Brio B, Serrano C. “Self organizing Neural Netwoks: The Financial State Of
Spanish Companies”. Neural Networks in the Capital Markets, Edited by Apostolos –
Paul Refenes, John Wiley & Sons Ltd, 1995
• Matich D. “Redes Neuronales: Conceptos Básicos y Aplicaciones” , Cátedra: Informática
Aplicada a la Ingeniería de Procesos – Orientación I, 2001.
• Mehta M, “Foreign Exchange Markets” Neural Networks in the Capital Markets, Edited
by Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd., 1995
• Moody J, Utans J, “Arquitectura Selection Strategies for Neural Netwoks: Application to
Corporate Bond Rating Prediction”. Neural Netwoks in the Capital Markets, edited by
Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.
NNNN
• Naylor del Rio.CH, “Aplicación de Redes Neuronales Estrategias de compra y venta de
cobre”, Universidad Catolica de Chile, 1995.
OOOO
• Odom M, Sharda R, “Neural Networks Model for Bankruptcy Prediction”. Proceedings of
Internacional Joint Conference on Neural Netwoks, San diego , California, Vol. II, pp
163-168, 1990
PPPP
• Palacios F. “Herramientas en GNU/Linux para estudiantes universitarios”, 2.003
• Principe J., Lefebvre. C, Lynn. G, Fancourt. C, Wooten. D, “Manual Neurosolutions”,
2005
• Proddig T, “Bankruptcy Prediction: A Comparison with Discriminant Análisis”. Neural
Networks in the Capital Markets, Edited by Apostolos – Paul Refenes, John Wiley &
Sons ltd, 1995
RRRR
• Rahimian E, Singh S, Thammachote T, Virmani R, “ Bankruptcy Prediction By neural
Netwoks”. Neural Networks in finance and Investing, 1993
Redes Neuronales Artificiales, una herramienta para las Finanzas
80
• Ranhupathi W, Schkade L, Raju B. “ A Neural Netwoks Approach to Bakruptcy
Prediction”. IEEE, Proceedings of the 24thAnnual Hawai Internacional Conference on
System Sciences, 1991
• Refenes A. N, “Constructive Learning And Its Application to Currency Exchange Rate
Forecasting”. Neural Networks in Finance And Investing, 1993
• Refenes A, Zaidi A, “Managing Exchange Rate Prediction Strategies with Neural
Networks”. Neural Networks in the Capital Markets, Edited by Apostolos-PAul Refenes,
Jonh Wiley & Sons Ltd, 1995
• Ricote Gil, F. “Teoría de las Redes Neuronales para la Gerencia de Riesgos”, 2003.
SSSS
• Santis D. “Detección de alumnos de riesgo y medición de la eficiencia de centros
escolares mediante RNA”, Departamento de economía aplicada VI , Universidad
Complutense de Madrid
• Sen T, Oliver R, Sen N, “Predicting Corporate Mergers”. Neural Networks in the Capital
Markets, Edited by Apostolos-Paul refenes, Jonh Wiley & Sons Ltd, 1995
• Sharda R, Patil R, “A Connectionist Approach to Time: Time Series Prediction- An
Empirical test”. Journal of Intelligent Manufacturing, 1992
• Sharda R, "Neural Networks for the MS/OR Analyst: An Application Bibliography"
march-April, pp 116-130,1994
• Shi S, Liu B, “Nonlinear Combination of Forecasts with Neural Networks”. Proceedings
of the Internacional Joint Conference on Neural Networs, Vol., pp. 959-962, 1993
• Singleton J, Surkan A, “Bond Rating with Neural Networks”. Neural Networks in the
Capital Markets, Edited by Apostolos-Paul Refenes, Jonh Wiley & Sons Ltd, 1995.
• Singleton J, Surkan A, “Neural Networks for Bond Rating Improved by Multiple Hidden
Layers”. Proceeding of the Internacional Joint Conference on Neural Networks, Vol. II,
pp. 163-168, San Diego, CA 1990.
• Silva J.L, “Predicción del rendimiento académico con redes neuronales”, Universidad
de Concepción, 2005
TTTT
Redes Neuronales Artificiales, una herramienta para las Finanzas
81
• Tsibouris G, Zeidenberg M, “Testing the Efficient Markets Hipótesis with Gradient
descent Algorithms”. Neural Networks in the Capital Markets, Edited by Apostolos-Paul
Refenes, Wiley & Sons Ltd,1995
WWWW
• White H, “Economic Prediction Using Neural Networks: The Case of IBM Daily Stock
Returns”. Proceeding of the Internacional Joint Conference on Neural Networks, Vol.II,
pp. 451-458, 1998.
YYYY
• Yan Tam K, Kiang M, “ Managerial Applications of Neural Networks : The Case of Bank
Failure Predictions” Management Science, Vol. 38, Nº7, July, pp 926-947, 1992.
• Yoon Y, Swales, “Predicting Stock Price Performance: A Neural Networks Approach”.
IEEE, Proceedings of the 24th Annual Hawai Internacional Conference on System
Sciences, pp. 156-162, 1991
Redes Neuronales Artificiales, una herramienta para las Finanzas
82
Anexos
Redes Neuronales Artificiales, una herramienta para las Finanzas
83
Redes Neuronales Artificiales
ANEXO 1
UNIVERSIDAD DE CHILE
Nº TITULO AUTOR AÑO
1 El control de fraude como oportunidad de negocios: aplicación a un caso. Schnell Dresel, Alfredo Ludovico
2006.
2 Modelo predictivo del crimen para el sector poniente de la ciudad de Santiago Morales Undurraga, Gonzalo Andrés.
2006
3 Predicción de comportamiento de acciones del mercado bursátil chileno basado en redes neuronales
Dilber Alderete, Kirk. 2006
4 Predicción de precios futuros mediante el uso de redes neuronales y análisis técnico Riquelme Cárdenas, José Luis 2006
5 Clasificación de defectos en madera mediante máquinas de soporte vectorial Ramírez Ovalle, Pablo Andrés
2006
6 Caracterización de la cobertura de estratocúmulos en el Pacífico Suroriental : estudio de patrones nubosos de mesoescala en Isla San Félix
Painemal Duarte, David Andrés
2006
7 Detección e identificación en línea de eventos en una planta de molienda semiautógena Alvarez Malebrán, Ricardo Javier
2005
8 Detección de movimientos oculares rápidos en registros polisomnográficos de sueño Díaz López, Cristián Hernán 2005
9 Enfoque basado en redes neuronales para la distribución de carga en aplicaciones cluster web con arquitectura de software dinámica
Vidal Rojas, Juan Carlos. 2005
10 Regularidades no lineales en índices de acciones : una aproximación con redes neuronales Padilla Celi, Miguel Angel. 2004
11 Administración activa de portfolio basada en redes neuronales artificiales Obilinovic Peric, Francisco.
12 Administración de carteras con redes neuronales mediante metodología rolling [recurso electrónico]
Gutiérrez Márquez, Marcelo. 2004
13 Selección de características mediante algoritmos genéticos e información mutua Tesmer Tur, Michel. 2004
14 Clustering y visualización de datos multidimensionales utilizando redes neuronales auto-organizativas
Figueroa Sepúlveda, Cristián José
2004
15 Identificación de clientes en una empresa de telecomunicaciones con alta probabilidad de realizar venta cruzada utilizando técnicas de data mining
Ruíz Reyes, Marcelo Eduardo.
2004
16 Esquemas de control adaptivo basados en pasividad y redes neuronales para sistemas no lineales Castillo Facuse, Alejandro 2004
17 Reconocimiento de imágenes faciales utilizando código esparcido inspirado biológicamente Araya Gálvez, David Alberto 2004
18 Diseño de estrategias de control supervisor usando redes neuronales para la caldera de una central térmica de ciclo combinado
Contreras Cisterna, Jonathan Ariel.
2004
19 Pronóstico de ventas en Bazuca.com utilizando redes neuronales Ly Martel, Ernesto Javier. 2004
Redes Neuronales Artificiales, una herramienta para las Finanzas
84
20 Reducción de la dimensionalidad del espacio de atributos para la tarea de clasificación de objetos, a través de redes neuronales auto-asociativas
Maturana Elgueta, Cristian Rodrigo.
2004
21 Pronóstico de inversión publicitaria en televisión a nivel de rubro para la empresa Televisión Nacional de Chile
Polit Corvalán, Emilio Ernesto.
2004
22 Geomática y redes neuronales para determinar la calidad de los terrenos forestales Mena Frau, Carlos
23 Introducción al procesamiento digital de imágenes Pérez F., Claudio A. 2005
24 Redes neuronales aplicadas a la predición del precio del oro y medición de la robustez de los resultados utilizando bootstrap
Friz Echeverría, Rodolfo Francisco.
2003
25 Predicción de la variación del tipo de cambio con redes neuronales [recurso electrónico] : rolling versus recursividad
González R., Ignacio. 2003
26 Control adaptivo de plantas no lineales mediante redes neuronales Román Escobedo, Cristian Mauricio.
2003
27 Pronóstico de crecidas en tiempo real : uso de redes neuronales González Valenzuela, Ricardo Javier.
2003
28 Análisis de algunos esquemas para clasificación de hablante, en base a redes neuronales de procesamiento vectorial
Espinoza Lagos, Leonardo Agustin.
2003
29 Nuevo método de segmentación de imágenes a color basado en redes neuronales min-max difusas
Ruz heredia, Gonzalo Andrés 2003
30 Detección de caras cuasi frontales en imágenes Delard de Rigoulieres Mantelli, Juan Luis
2003
31 Evaluación de modelos de redes neuronales de predicción del signo de la variación del IPSA Parisi F., Antonino, 1964-
32 Aplicación de redes neuronales artificiales para la predicción del comportamiento de precios del commodity amoníaco
Leiva Jurac, Maribel. 2002
33 Estimación de redes neuronales con datos ultrafrecuentes : aplicación al mercado accionario chileno
Hansen Silva, Erwin. 2002
34 Diseño de un sistema de pronóstico de ventas para un supermercado mediante el uso de redes neuronales y su aplicación en la reposición de inventarios
Aburto Lafourcade, Luis Alberto.
2002
35 Desarrollo de un modelo predictivo para optimizar campañas de venta cruzada de inversiones utilizando redes neuronales
Giusti Quiroz, Augusto Hernán.
2002
36 Modelación de la demanda de transporte usando redes neuronales Quijada Plubins, Rodrigo. 2002
37 Predicción de resultados de carreras de caballos mediante redes neuronales Carrasco Montes, Héctor Andrés
2002
38 Utilización de redes neuronales para la predicción de índices accionarios Díaz, Jorge. 2002
39 Mixtura de expertos neuronales para tareas de clasificación y regresión Fernández Yoma, Marcelo Eduardo.
2002
40 Predicción de variables meteorológicas relevantes en radioastronomia mediante redes neuronales y métodos estadísticos
Pérez Beaupuits, Juan Pablo 2002
41 Simulación del movimiento de un manipulador robótico bajo la acción de fuerzas de contacto Berríos González, Eduardo Jesús
2001
Redes Neuronales Artificiales, una herramienta para las Finanzas
85
42 Análisis exploratorio de datos utilizando redes neuronales autoorganizativas Mora Saavedra, Aquiles Andrés.
2001
43 Visión computacional mediante selección genética de campos receptivos biológicamente inspirados
Salinas Valenzuela, Cristián Andrés
2001
44 Evaluación de los distintos modelos de redes neuronales en la predicción de valores financieros Reyes, Daniel.
45 Diseño e implementación de un sistema de score de cobranzas en una multitienda Mella Gutiérrez, Víctor Andrés.
2000
46 TEXSEG : aplicación computacional para la segmentación de texturas mediante el uso de redes neuronales auto-organizadas
Infante Larraguibel, Juan Eduardo
2000
47 Modelación de actividad sísmica en edificaciones en altura por medio de métodos avanzados de procesamiento de señales y redes neuronales
Rodríguez Hurtado, José Antonio.
2000
48 Uso de redes neuronales para apoyar el análisis de riesgo de créditos a pequeñas y medianas empresas
Rojas Quinteros, Juan Antonio.
2000
49 Reconocimiento de caras por medio de redes neuronales Salinas Reyes, Carlos Eduardo.
2000
50 Predicción de variables financieras utilizando redes neuronales Espinoza Medina, Hernán Paul.
2000
51 Estimación de superficies y número de árboles en bosques de Pinus radiata D. Don en fotografías aéreas, mediante el uso de redes neuronales artificiales
Rath Marcett, Christian A. 1999
52 Introducción y aplicación de las redes neuronales Weis Cillero, Daniel Felipe. 1999
53 Exploración del uso potencial de las redes neuronales para la clasificiación de la leche según rango celular
García Salazar, Claudio Nicolás
1999
54 Uso de redes neuronales para la evaluación de la seguridad estática del sistema interconectado central chileno
Carrasco Arancibia, Claudia Andrea.
1999
55 Optimización de arquitecturas de redes neuronales mediante el empleo de algoritmos genéticos Díaz Lucero, Eugenio. 1999
56 Desarrollo de un sistema basado en redes neuronales para apoyar el análisis de riesgo de créditos de consumo
Zúñiga Arriaza, Raúl Enrique.
1999
57 Incorporación de mínimos técnicos de operación en la programación semanal de mínimo costo en un sistema hidro-térmico usando redes neuronales
Vargas Cáceres, Jorge Carlos. 1999
58 Usos de redes neuronales para el pronóstico de crecidas en cuencas pluvionivales Troncoso Castro, Miguel Antonio.
1999
59 Control de congestión en redes ATM mediante redes neuronales Méndez Rodríguez, Juan Francisco.
1998
60 Algoritmos genéticos para la selección de entradas a clasificadores neuronales Caballero Campos, Rodrigo Esteban.
1998
61 Predicción de tráfico en redes ATM utilizando redes neuronales Loyola Arroyo, Luis Alberto. 1998
62 Combinación de múltiples redes neuronales para el reconocimiento de números manuscritos Galdames Sepúlveda, Patricio Alejandro.
1998
63 Nueva arquitectura de control predictivo para sistemas dinámicos nolineales usando redes neuronales
Suárez Sotomayor, Alejandro. 1998
64 Uso de redes neuronales para la simulación de hidrogramas de crecidas en cuencas pluviales Anguita Mackay, Pablo. 1998
Redes Neuronales Artificiales, una herramienta para las Finanzas
86
65 Reconocimiento de defectos en maderas mediante redes neuronales Aracena, Estévez, Goles, Pérez
1997
66 Aplicación de redes neuronales al reconocimiento de características en la madera y figuras geométricas
Aracena Lucero, Julio Bernardo.
1997
67 Desarrollo y simulación de un sistema compresor de señales de voz utilizando redes neuronales Mondaca Silva, Daniel Alejandro.
1996
68 "Predicción de precios de acciones utilizando redes neuronales Jiménez Carvacho, Carlos. 1996
69 Aplicaciones avanzadas de redes neuronales al desarrollo y simulación de un sistema compresor digital de voz
Velásquez Silva, Juan Domingo.
1996
70 Aplicaciones al reconocimiento de patrones del simulador de redes neuronales rochester Agacino Rojas, Oscar Iván 1995
71 Análisis de imágen mediante redes neuronales : aplicación a un problema de granulometría Fernández Moreno, Rodrigo Andrés
1995
72 Desarrollo de un sistema de evaluación de créditos de consumo basado en redes neuronales San Martín Navarro, Alex Max.
1994
73 Modelos neuronales para control sensorial de robots en operaciones de ensamblado Bassi Acuña, Danilo Francisco
1992
74 Redes neuronales que aprenden de la experiencia Hinton, Geoffrey E.
75 Complejidad de redes neuronales no-lineales y aplicaciones a la optimización Matamala Vásquez, Martín Ignacio.
1991
76 Funciones de Lyapunov en redes neuronales para la estereovisión Sepúlveda Taulis, Eduardo Enrique
1989
77 Redes neuronales en la evaluación de políticas urbanas : el caso de Santiago de Chile O'Ryan, Raúl.
78 Redes neuronales y sistemas borrosos : [Apuntes de Mercado de Capitales e Información Financiera]
Martín del Brío, Bonifacio.
UNIVERSIDAD DE CONCEPCIÓN
Nº TITULO AUTOR AÑO
1 Predicción espacio-temporal de niveles de crímenes en la región metropolitana mediante redes neuronales
Moena Quijada, David Alexis
2006
2 Control predictivo no lineal mediante redes neuronales Garrido Cisterna, Cristian Fabián
2005
3 Aplicación de redes neuronales al problema de selección de personal en una PYME Salgado Núñez, Armando Antonio
2005
4 Predicción del rendimiento académico con redes neuronales Silva Perales, Jorge Luis 2005
5 Reconocedor de patrones basado en redes neuronales para la clasificación de la imagen digital de la imagen digital de la huella plantar como Pie Cavo, Pie Normal o Pie Plano
Mora Cofré, Marco Antonio 2004
6 Monitoreo de planta de molienda mediante la utilización de redes neuronales artificiales Sepúlveda Landeros, Juan Pablo
2004
7 Evaluación de redes neuronales artificiales para la predicción de la demanda eléctrica Vargas Guarategua, Francisco Alejandro
2004
8 Redes neuronales atractoras con funciones multivaluadas en la reconstrucción y discriminación de texturas dinámicas
Reynaga Barriga, René Vicente
2003
9 Diseño y construcción de una plataforma para sistemas evolutivos basados en redes neuronales Rojas Thomas, Juan Carlos 2003
10 Eliminación de no-uniformidad en sistemas de visión infrarroja con redes neuronales Sobarzo Guzmán, Sergio Kendrick
2003
Redes Neuronales Artificiales, una herramienta para las Finanzas
87
11 Detección de no-linealidades basado en un esquema de reconocimiento de patrones mediante redes neuronales
Aguilera Carrasco, Cristhian Alejandro
2001
12 Reconocimiento de patrones con redes neuronales Romero, Luis Alonso ed. 2001
13 Predicción de propiedades físico-mecánicas de tableros MDF mediante modelación con redes Neuronales
Gutiérrez Leiva, Carlos Alberto
2000
14 Procesamiento de imágenes para clasificación de flujo vehicular en tiempo real usando redes neuronales
Sepúlveda Yañez, Charles Rodrigo
2000
15 Reconocimiento de recursos hídricos superficiales en imágenes NOAA/AVHRR mediante redes neurona
Acuña Araneda, Edgardo Iván
1999
16 Identificación de espectros radiométricos de minerales utilizando redes neuronales de base radi Alvarez Barrientos, Jaime Alfonso
1999
17 Control de procesos mediante redes neuronales Garrido Cisterna, Cristian Fabián
1999
18 Reconocimiento de fallas en máquinas rotatorias mediante redes neuronales Irarrazabal Oliva, Ricardo 1999
19 Análisis y reconocimiento de espectros fotónicos mediante transformada wavelet y redes neuronales.
Schüler Skalweit, Carlos Andrés
1998
20 Control predictivo de sistemas no liniales en tiempo discreto, usando un modelo de redes neuronales
Fuente Vergara Marcelo de la 1997
21 Mejoramiento del rendimiento de válvulas mediante redes neuronales Urrutia Cisterna, Erich Vladimir
1997
22 Reconocimiento de patrones de imágenes en tiempo real utilizando redes neuronales artificiales Díaz Ruiz, José 1996
23 Implementación de algoritmos de control en tiempo real, mediante la utilización de redes neuronales
González Romero, José Salvador
1996
24 Despacho económico de carga ambiental vía redes neuronales de Hopfield Gracia Caroca, Eduardo 1996
25 Identificación de sistemas no-lineales usando redes neuronales Guajardo Delgado, Héctor Antonio
1996
26 Diseño de controlador adaptivo robusto en base a redes neuronales Muñoz Quijada, David 1996
27 Control de procesos en tiempo real, utilizando redes neuronales Dinamarca Gatica, Luis Marcel
1995
28 Entrenamiento de redes neuronales utilizando métodos de estructura variables Medina Billard, Carlos Alfonso
1995
29 Redes neuronales para el análisis de la seguridad del sistema eléctrico de la compañía siderurgica Retamal Retamal, Gastón Alejandro
1995
30 Redes neuronales en la estimación del tiempo de desarrollo de proyectos software Araya R., Etienne 1994
31 Controlador adaptivo basado en técnicas de reconocimiento de patrones mediante redes neuronales
Vadebenito Azúa, Cristian Rodrigo
1994
32 El nuevo debate sobre la inteligencia artificial Graubard, Stephen R. , comp. 1993
33 Redes neuronales para modelar predicción de heladas Ovando, Gustavo 2005
Redes Neuronales Artificiales, una herramienta para las Finanzas
88
PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE
Nº TITULO AUTOR AÑO 1 Reconocimiento de voz utilizando técnicas de redes neuronales Zegers Fernández, Pablo 1992
2 Aplicación de redes neuronales a la predicción y transacción en mercados cambiarios Virreira Zijderveld, Roberto 1996
3 La aplicación de sistemas expertos, redes neuronales y sistemas difusos a la predicción de demanda eléctrica de corto plazo
Prina Pacheco, José Pedro 1994
4 Predicción de fermentaciones vínicas problemáticas mediante redes neuronales Picarte Cuadros, Eduardo W. 2004.
5 Redes neuronales en el análisis de localización , transporte y contaminación del aire : el caso de Santiago de Chile
O’Ryan, Raúl 1996
6 Aplicación de redes neuronales en estrategias de compra y venta de cobre Naylor del Río, Charles Andrew
1995.
7 Control óptimo de la energía en un vehículo híbrido eléctrico empleando redes neuronales Moreno de la Carrera, Jorge Alejandro.
2004.
8 Redes neuronales y modelos MARS : una aplicación en el problema de la contaminación atmosférica por partículas en suspensión
Montaño E., Rosa. 2001.
9 Método supervisado para clasificación discreta utilizando redes neuronales Miquel Feres, Juan José 1998
10 Modelación de sistemas dinámicos basada en redes neuronales Mascaro Navarrete, Guillaume Louis
1992
11 Nuevas herramientas de investigación de mercados : especial referencia a redes neuronales artificiales aplicadas al marketing
Luque Martínez, Teodoro. 2003.
12 Pronóstico de altos impactos por ozono en Santiago, utilizando redes neuronales con neuronas activas
Cerda Hernández, Rodrigo Andrés
1999
13 Análisis regional de sequías con redes neuronales Carrillo Soto, José Pablo 2000
14 Aplicaciones de redes neuronales en hidrología Brahm Besoain, Alfredo. 2001.
15 Estimación de parámetros del sistema cardiovascular empleando técnicas de redes neuronales Ambrus Perasic, Danko 1995
16 Manejo de una política de inversión usando redes neuronales Altmann Martín, Juan Carlos 1996
Redes Neuronales Artificiales, una herramienta para las Finanzas
89
Red
es N
euro
nal
es A
rtifi
cial
es, u
na
her
ram
ient
a pa
ra la
s F
inan
zas
90
AN
EX
O 2
RE
SU
LTA
DO
S S
IMU
LAC
ION
ES
C
apa
Ocu
lta
Cap
a S
alid
a E
ntre
nam
ient
o C
ross
Val
idac
ión
T
estin
g
Nº
Per
iodo
V
aria
ble
Ent
rada
C
apas
N
eur
Fun
cion
N
eur
Fun
ción
M
SE
%
Err
or
MS
E
%E
rror
M
SE
%
Err
or
1 96
-04
prec
io 3
rez
agos
1
16
Bia
s A
xon
1 B
iasA
xon
0.00
1943
1.
1612
09%
0.
0022
46
1.09
2604
%
0.00
0569
0.
9518
37%
2 96
-04
prec
io 3
rez
agos
1
16
Line
ar T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0027
38
1.47
3425
%
0.03
6116
3.
2847
86%
0.
0005
75
0.96
9227
%
3 96
-04
prec
io 3
rez
agos
1
16
Axo
n 1
Axo
n 0.
0030
33
1.29
7390
%
0.00
0800
0.
9046
90%
0.
0012
67
1.20
9893
%
4 96
-04
prec
io 3
rez
agos
1
16
Tan
h A
xon
1 T
anhA
xon
0.00
4691
1.
8929
81%
0.
0020
12
1.65
9776
%
0.01
0903
3.
8731
05%
5
96-0
4 pr
ecio
3 r
ezag
os
1 16
S
igm
oid
Axo
n 1
Sig
moi
d A
xon
0.03
3730
12
.328
746%
0.
1438
91
21.0
9375
8%
0.12
8996
37
.273
769%
6
96-0
4 pr
ecio
3 r
ezag
os
1 16
T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0028
05
1.51
4831
%
0.02
6376
2.
9465
90%
0.
0039
56
2.89
0828
%
7 96
-04
prec
io 3
rez
agos
1
16
Line
ar A
xon
1 Li
near
Axo
n
0.00
3229
1.
3629
24%
0.
0008
07
0.91
4026
%
0.00
125
1.30
8256
%
8 96
-04
prec
io 3
rez
agos
1
32
Tan
h A
xon
1 T
anhA
xon
0.00
3187
1.
6934
26%
0.
0420
88
3.86
5900
%
0.00
8 4.
0375
45%
9
96-0
4 pr
ecio
3 r
ezag
os
1 32
A
xon
1 A
xon
0.00
2903
1.
2308
69%
0.
0029
03
1.23
0869
%
0.00
1251
1.
1912
90%
10
96
-04
prec
io 3
rez
agos
1
32
Bia
s A
xon
1 B
iasA
xon
0.00
1873
1.
1218
97%
0.
0021
52
1.06
4800
%
0.00
0527
0.
9246
77%
11
96
-04
prec
io 3
rez
agos
1
32
Line
ar T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0029
69
1.26
0733
%
0.00
0780
0.
8755
59%
0.
0011
91
1.17
9686
%
12
96-0
4 pr
ecio
3 r
ezag
os
2 32
c/u
T
anh
Axo
n 1
Tan
hAxo
n 0.
0038
83
1.85
0615
%
0.07
5661
4.
9958
94%
0.
0062
44
3.67
6172
%
13
96-0
4 pr
ecio
3 r
ezag
os
2 16
c/u
T
anh
Axo
n 1
Tan
hAxo
n 0.
0060
43
2.14
8659
%
0.00
2868
1.
9908
15%
0.
0101
06
3.61
1836
%
14
96-0
4 pr
ecio
3 r
ezag
os
2 32
S
igm
oid
Axo
n 1
Sig
moi
d A
xon
0.04
0845
13
.378
700%
0.
1754
32
23.0
5804
6%
0.11
7948
35
.564
457%
15
96
-04
prec
io 3
rez
agos
2
16
Sig
moi
d A
xon
1 S
igm
oid
Axo
n 0.
0413
42
13.4
2720
0%
0.17
7879
23
.171
797%
0.
0707
12
27.3
5753
6%
16
96-0
4 pr
ecio
3 r
ezag
os
2 16
B
ias
Axo
n 1
Bia
s A
xon
0.00
2970
1.
2547
79%
0.
0007
70
0.87
1095
%
0.00
1222
1.
2038
48%
17
96
-04
prec
io 3
rez
agos
2
32
Bia
s A
xon
1 B
ias
Axo
n 0.
0028
67
1.18
8258
%
0.00
0797
0.
8777
39%
0.
0012
15
1.17
5435
%
18
96-0
4 pr
ecio
3 r
ezag
os
2 16
Li
near
Tan
h A
xon
1 Li
near
Tan
h A
xon
0.00
3361
1.
4785
60%
0.
0010
84
1.12
9653
%
0.00
206
1.68
9501
%
19
96-0
4 pr
ecio
3 r
ezag
os
2 32
Li
near
Tan
h A
xon
1 Li
near
Tan
h A
xon
0.00
3825
1.
6103
50%
0.
0012
84
1.22
1068
%
0.00
4132
2.
3659
06%
20
96
-04
prec
io 3
rez
agos
2
16
Axo
n 1
Axo
n 0.
0029
60
1.26
1019
%
0.00
0792
0.
8873
49%
0.
0012
54
1.21
5820
%
21
96-0
4 O
tras
var
iabl
es
1 16
B
ias
Axo
n 1
Bia
sAxo
n 0.
0026
65
1.42
1381
%
0.00
6632
2.
6444
85%
0.
0006
13
0.94
0924
%
22
96-0
4 O
tras
var
iabl
es
1 16
Li
near
Tan
h A
xon
1 Li
near
Tan
h A
xon
0.00
2034
1.
2885
95%
0.
1190
45
13.4
1076
1%
0.00
5891
3.
2503
90%
23
96
-04
Otr
as v
aria
bles
1
16
Axo
n 1
Axo
n 0.
0019
55
1.20
5908
%
0.00
2109
1.
1975
31%
0.
0004
88
0.84
7907
%
24
96-0
4 O
tras
var
iabl
es
1 16
T
anh
Axo
n 1
Tan
hAxo
n 0.
0027
11
1.65
7084
%
0.15
8274
8.
6496
33%
0.
0060
81
3.25
5673
%
25
96-0
4 O
tras
var
iabl
es
1 16
S
igm
oid
Axo
n 1
Sig
moi
d A
xon
0.00
6087
6.
2024
59%
0.
0743
08
13.2
0789
7%
0.00
305
4.47
3475
%
Red
es N
euro
nal
es A
rtifi
cial
es, u
na
her
ram
ient
a pa
ra la
s F
inan
zas
91
26
96-0
4 O
tras
var
iabl
es
1 16
T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0218
95
5.25
8750
%
0.09
2715
12
.333
685%
0.
0334
18
8.55
2159
%
27
96-0
4 O
tras
var
iabl
es
1 16
Li
near
Axo
n 1
Line
ar A
xon
0.
0018
73
1.17
4694
%
0.00
1870
1.
1875
76%
0.
0006
19
0.95
7446
%
28
96-0
4 O
tras
var
iabl
es
1 32
T
anh
Axo
n 1
Tan
hAxo
n 0.
0037
06
1.97
5611
%
0.33
7250
12
.518
392%
0.
0107
11
4.85
2669
%
29
96-0
4 O
tras
var
iabl
es
1 32
A
xon
1 A
xon
0.00
1938
1.
2034
52%
0.
0022
65
1.20
4852
%
0.00
0584
0.
9192
10%
30
96
-04
Otr
as v
aria
bles
1
32
Bia
s A
xon
1 B
iasA
xon
0.00
2199
1.
2863
13%
0.
0149
42
4.54
6583
%
0.00
4004
2.
8174
53%
31
96
-04
Otr
as v
aria
bles
1
32
Line
ar T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0020
06
1.28
1317
%
0.00
2006
1.
2813
17%
0.
0215
2 6.
1410
56%
32
96
-04
Otr
as v
aria
bles
2
32 c
/u
Tan
h A
xon
1 T
anhA
xon
0.00
6010
2.
7484
83%
0.
0060
10
2.74
8483
%
0.12
9258
15
.997
396%
33
96
-04
Otr
as v
aria
bles
2
16 c
/u
Tan
h A
xon
1 T
anhA
xon
0.00
4030
2.
1886
35%
0.
2222
37
11.6
0601
9%
0.07
6653
13
.736
289%
34
96
-04
Otr
as v
aria
bles
2
32
Sig
moi
d A
xon
1 S
igm
oid
Axo
n 0.
0453
59
15.2
6447
5%
0.13
5375
21
.922
276%
0.
0462
29
19.6
3732
9%
35
96-0
4 O
tras
var
iabl
es
2 16
S
igm
oid
Axo
n 1
Sig
moi
d A
xon
0.04
7242
15
.639
307%
0.
1432
57
22.5
2495
2%
0.03
3189
16
.015
923%
36
96
-04
Otr
as v
aria
bles
2
16
Bia
s A
xon
1 B
ias
Axo
n 0.
0019
70
1.20
5837
%
0.00
5638
2.
5532
77%
0.
0018
87
1.91
6684
%
37
96-0
4 O
tras
var
iabl
es
2 32
B
ias
Axo
n 1
Bia
s A
xon
0.00
1856
1.
1712
87%
0.
0017
02
1.04
2978
%
0.00
0475
0.
8333
42%
38
96
-04
Otr
as v
aria
bles
2
16
Line
ar T
anh
Axo
n 1
Line
ar T
anh
Axo
n 0.
0021
42
1.30
7451
%
0.38
0051
13
.965
435%
0.
0072
88
3.90
3049
%
39
96-0
4 O
tras
var
iabl
es
2 32
Li
near
Tan
h A
xon
1 Li
near
Tan
h A
xon
0.00
4006
2.
0813
95%
0.
7459
33
20.8
5805
1%
0.28
8533
23
.135
818%
40
96
-04
Otr
as v
aria
bles
2
16
Axo
n 1
Axo
n 0.
0018
68
1.17
9956
%
0.00
3679
1.
8302
87%
0.
0007
02
1.09
1775
%
41
96-0
4 pr
ecio
3 r
ezag
os
D
1 38
T
anh
Axo
n 1
Tan
hAxo
n 0.
0031
54
1.64
3600
%
0.04
4250
3.
8232
00%
0.
0036
78
2.75
7700
%
42
96-0
4 pr
ecio
3 r
ezag
os
C
1 38
T
anh
Axo
n 1
Tan
hAxo
n 0.
0031
58
1.64
4800
%
0.04
4264
3.
8243
00%
0.
0036
78
2.75
7700
%
43
05--
06
prec
io 3
rez
agos
1
16
Bia
s A
xon
1 B
ias
Axo
n 0.
0104
70
1.02
6341
%
0.04
8238
1.
0157
77%
0.
0052
67
0.61
6006
%
44
05--
06
prec
io 3
rez
agos
1
32
Bia
s A
xon
1 B
ias
Axo
n 0.
0093
15
0.97
8707
%
0.08
5070
1.
3002
09%
0.
0089
34
0.82
7057
%
45
05--
06
prec
io 3
rez
agos
1
16
Axo
n 1
Axo
n 0.
0109
18
1.06
0318
%
0.03
4611
0.
8696
82%
0.
0037
79
0.50
0058
%
46
05--
06
prec
io 3
rez
agos
1
16
Tan
h A
xon
1 T
anh
Axo
n 0.
0136
26
1.18
1578
%
23.5
0567
6 29
.158
382%
0.
5236
79
6.40
5302
%
47
05--
06
Otr
as v
aria
bles
1
16
Bia
s A
xon
1 B
ias
Axo
n 0.
0086
05
0.99
2619
%
0.46
8784
3.
5508
52%
0.
0133
02
1.02
5434
%
48
05--
06
Otr
as v
aria
bles
1
16
Line
ar A
xon
1 Li
near
Axo
n 0.
0085
79
0.99
0708
%
0.50
0724
3.
6278
15%
0.
0443
09
2.04
5631
%
49
05--
06
Otr
as v
aria
bles
2
16
Axo
n 1
Axo
n 0.
0111
35
1.12
0544
%
0.50
9252
3.
5851
62%
0.
0192
2 1.
2028
77%
50
05
--06
O
tras
var
iabl
es
2 32
B
ias
Axo
n 1
Bia
s A
xon
0.00
8114
0.
9675
82%
0.
3408
47
2.94
3738
%
0.08
3555
2.
9628
84%
Redes Neuronales Artificiales, una herramienta para las Finanzas
92
PRUEBA 1 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 2 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 3
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
93
Precio Deseado versus Precio generado por la Red
PRUEBA 4 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 5
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
94
Precio Deseado versus Precio generado por la Red
PRUEBA 6 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 7
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
95
Precio Deseado versus Precio generado por la Red
PRUEBA 8 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 9
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
96
Precio Deseado versus Precio generado por la Red
PRUEBA 10 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 11
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
97
Precio Deseado versus Precio generado por la Red
PRUEBA 12 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 13 Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
98
Precio Deseado versus Precio generado por la Red
PRUEBA 14 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 15
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
99
Precio Deseado versus Precio generado por la Red
PRUEBA 16 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 17
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
100
Precio Deseado versus Precio generado por la Red
PRUEBA 18 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 19
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
101
Precio Deseado versus Precio generado por la Red
PRUEBA 20 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 21 Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
102
Precio Deseado versus Precio generado por la Red
PRUEBA 22 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 23
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
103
Precio Deseado versus Precio generado por la Red
PRUEBA 24 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 25 Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
104
Precio Deseado versus Precio generado por la Red
PRUEBA 26 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 27
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
105
Precio Deseado versus Precio generado por la Red
PRUEBA 28 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 29
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
106
Precio Deseado versus Precio generado por la Red
PRUEBA 30 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 31
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
107
Precio Deseado versus Precio generado por la Red
PRUEBA 32 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 33
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
108
Precio Deseado versus Precio generado por la Red
PRUEBA 34 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 35
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
109
Precio Deseado versus Precio generado por la Red
PRUEBA 36 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 37
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
110
Precio Deseado versus Precio generado por la Red
PRUEBA 38 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 39
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
111
Precio Deseado versus Precio generado por la Red
PRUEBA 40 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 41
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
112
Precio Deseado versus Precio generado por la Red
PRUEBA 42 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 43
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
113
Precio Deseado versus Precio generado por la Red
PRUEBA 44 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 45
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
114
Precio Deseado versus Precio generado por la Red
PRUEBA 46 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 47
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
115
Precio Deseado versus Precio generado por la Red
PRUEBA 48 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
PRUEBA 49
Entrenamiento Testing
Redes Neuronales Artificiales, una herramienta para las Finanzas.
116
Precio Deseado versus Precio generado por la Red
PRUEBA 50 Entrenamiento Testing
Precio Deseado versus Precio generado por la Red
ANEXO 3
Redes Neuronales Artificiales, una herramienta para las Finanzas.
117
RESULTADOS PRUEBAS TESTING
PRUEBA Nº10
REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA
0.7691 0.78245 0.7826 0.777154 0.7024 0.68983 0.6654 0.66455 0.7113 0.724815 0.7634 0.769681
0.7868 0.77079 0.7861 0.78154 0.6902 0.702336 0.6618 0.666613 0.7177 0.712116 0.7502 0.764684
0.7933 0.786122 0.7783 0.786123 0.6859 0.692064 0.6611 0.663839 0.7207 0.711562 0.7554 0.752194 0.7817 0.79322 0.7661 0.778965 0.6788 0.686987 0.6549 0.662355 0.724 0.721048 0.759 0.75617
0.7817 0.782002 0.7642 0.767611 0.6772 0.681185 0.6602 0.656887 0.7165 0.724139 0.7648 0.759734 0.7817 0.782074 0.7585 0.765545 0.6716 0.678856 0.6536 0.661231 0.7116 0.717381 0.7648 0.76449 0.7821 0.78262 0.7511 0.760127 0.6773 0.673605 0.6573 0.655592 0.7098 0.712923 0.7648 0.764974
0.7836 0.782439 0.7567 0.752533 0.6746 0.678201 0.654 0.658209 0.7158 0.711327 0.7758 0.765024 0.7941 0.783829 0.7533 0.75727 0.6704 0.676086 0.661 0.655785 0.7489 0.716451 0.7652 0.775332
0.7968 0.79348 0.7479 0.754356 0.679 0.671727 0.6559 0.661605 0.7448 0.746776 0.7551 0.766257 0.775 0.796498 0.7581 0.748781 0.6754 0.67967 0.6579 0.657573 0.7416 0.744615 0.7539 0.756243 0.7774 0.776611 0.748 0.758128 0.6927 0.67681 0.6627 0.658822 0.7444 0.741073 0.7431 0.75534
0.779 0.778061 0.7467 0.749418 0.7001 0.692021 0.6536 0.663744 0.738 0.745099 0.7423 0.745133
0.789 0.780229 0.7515 0.74722 0.6885 0.700186 0.6459 0.65542 0.7463 0.739285 0.7393 0.743368
0.7823 0.78836 0.7439 0.752218 0.6909 0.689477 0.6374 0.647899 0.7369 0.746301 0.743 0.740755 0.7819 0.782869 0.7402 0.745096 0.6923 0.691702 0.6459 0.640144 0.7488 0.73844 0.7374 0.743476 0.789 0.78201 0.743 0.741149 0.6923 0.693697 0.6459 0.647169 0.7588 0.748314 0.732 0.738592
0.7976 0.789075 0.7391 0.743887 0.7073 0.693177 0.6436 0.647441 0.7513 0.758665 0.7344 0.733145 0.8073 0.796997 0.73 0.740199 0.6999 0.706944 0.6484 0.644767 0.7421 0.751674 0.7472 0.735333
0.7991 0.806144 0.7323 0.731455 0.7051 0.70107 0.6486 0.649422 0.7357 0.74323 0.7511 0.746987 0.7991 0.799345 0.7401 0.733274 0.6927 0.705103 0.6457 0.649911 0.7261 0.737521 0.7452 0.750932
0.7922 0.799106 0.7324 0.740518 0.6831 0.694933 0.6423 0.647069 0.7284 0.728255 0.7614 0.745609 0.7759 0.793439 0.7278 0.733439 0.6818 0.685049 0.6364 0.644033 0.7188 0.729533 0.7582 0.76059 0.7832 0.777811 0.7295 0.728774 0.6774 0.683846 0.6322 0.638536 0.7169 0.720797 0.7495 0.758853
0.7763 0.783731 0.7289 0.730603 0.674 0.679376 0.639 0.63432 0.7269 0.718045 0.7468 0.75013
0.7736 0.777844 0.7263 0.729879 0.6644 0.675611 0.627 0.640258 0.7199 0.727372 0.7541 0.748027
0.7694 0.774089 0.7327 0.727223 0.6685 0.6667 0.6304 0.629487 0.7266 0.721114 0.7618 0.754569 0.7794 0.770598 0.7283 0.733014 0.6673 0.669784 0.6363 0.631602 0.7228 0.726551 0.7539 0.761634 0.794 0.779224 0.7232 0.729371 0.67 0.66895 0.659 0.637736 0.748 0.724062 0.7505 0.754565
0.8094 0.793043 0.7275 0.724226 0.6735 0.670811 0.6654 0.658127 0.7473 0.746377 0.7446 0.751221 0.8103 0.807475 0.7261 0.728266 0.6722 0.674367 0.6936 0.66523 0.748 0.747494 0.7459 0.746182
0.7749 0.809298 0.7301 0.727119 0.664 0.673258 0.6848 0.691109 0.7592 0.747395 0.7459 0.746747 0.7864 0.777423 0.7188 0.730363 0.6601 0.665763 0.6938 0.685543 0.7607 0.758851 0.7372 0.746779 0.782 0.786707 0.7123 0.720503 0.6695 0.661954 0.701 0.692995 0.7574 0.760777 0.752 0.738538
0.782 0.78409 0.7082 0.713814 0.6737 0.670426 0.6879 0.70156 0.7515 0.757649 0.7496 0.751629 0.7719 0.781946 0.7036 0.710145 0.6718 0.67446 0.6927 0.689399 0.7525 0.752586 0.7509 0.75042
0.7623 0.773366 0.6911 0.705329 0.6761 0.672575 0.6904 0.693344 0.7461 0.753318 0.7497 0.75076
0.7574 0.763855 0.6926 0.693456 0.6729 0.676751 0.6881 0.692116 0.7574 0.7475 0.7503 0.750483 0.7793 0.759075 0.6929 0.694051 0.6746 0.674302 0.7011 0.689177 0.7689 0.757164 0.7541 0.750825
0.7769 0.778511 0.6885 0.694447 0.6622 0.675501 0.7263 0.701185 0.7774 0.768445 0.7532 0.75441
PRUEBA Nº 37
Redes Neuronales Artificiales, una herramienta para las Finanzas.
118
REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA REAL RNA 0.83711 0.84110 0.89199 0.89464 0.81465 0.80259 0.81307 0.82251 0.76839 0.77058 0.78131 0.77597 0.83869 0.83778 0.87044 0.89106 0.82577 0.81226 0.81873 0.81380 0.77179 0.76627 0.77315 0.77852
0.84141 0.83881 0.87725 0.87186 0.82554 0.82293 0.81284 0.81747 0.77746 0.76864 0.78472 0.77171 0.83779 0.84119 0.87679 0.87554 0.82304 0.82391 0.80467 0.81315 0.76453 0.77410 0.78018 0.78092
0.84391 0.83833 0.88632 0.87588 0.82327 0.82154 0.81896 0.80540 0.76657 0.76384 0.78018 0.77833 0.83937 0.84316 0.87997 0.88412 0.82871 0.82127 0.81987 0.81644 0.75501 0.76403 0.77020 0.77784 0.83529 0.83966 0.87884 0.87941 0.83348 0.82620 0.80966 0.81874 0.75569 0.75382 0.76068 0.76875
0.84436 0.83567 0.88224 0.87764 0.83915 0.83120 0.81057 0.80957 0.74797 0.75328 0.75569 0.75918 0.84187 0.84300 0.88292 0.88043 0.84618 0.83645 0.80059 0.80923 0.74911 0.74667 0.75115 0.75375
0.84005 0.84186 0.86409 0.88122 0.85684 0.84348 0.80558 0.80090 0.75727 0.74670 0.74865 0.74907 0.84799 0.84023 0.87430 0.86468 0.86341 0.85369 0.80603 0.80433 0.75478 0.75369 0.75432 0.74653
0.83643 0.84685 0.86251 0.87158 0.86001 0.86090 0.80513 0.80548 0.75342 0.75218 0.75795 0.75113 0.83189 0.83760 0.86636 0.86256 0.85049 0.85856 0.79674 0.80447 0.74026 0.75055 0.75002 0.75481 0.83779 0.83253 0.84867 0.86451 0.85480 0.85020 0.79968 0.79706 0.75795 0.73875 0.73800 0.74800
0.83847 0.83723 0.85389 0.84933 0.86319 0.85274 0.79968 0.79853 0.76430 0.75331 0.73595 0.73680 0.84051 0.83839 0.84141 0.85166 0.84096 0.86031 0.80921 0.79876 0.75274 0.76116 0.73028 0.73368
0.84368 0.84000 0.85049 0.84117 0.84005 0.84171 0.80966 0.80699 0.75296 0.75166 0.72303 0.72857 0.85888 0.84290 0.84595 0.84778 0.83189 0.83843 0.80150 0.80861 0.75478 0.75085 0.72847 0.72135 0.86183 0.85667 0.83007 0.84446 0.82463 0.83107 0.79764 0.80153 0.76498 0.75219 0.72598 0.72538
0.86523 0.86099 0.82100 0.83035 0.82372 0.82393 0.79742 0.79702 0.76793 0.76114 0.72076 0.72370 0.85910 0.86413 0.82645 0.82062 0.82554 0.82244 0.78971 0.79641 0.75886 0.76524 0.73074 0.71864
0.87181 0.85890 0.83416 0.82431 0.82191 0.82387 0.79039 0.78938 0.74843 0.75739 0.72076 0.72697 0.87226 0.86915 0.82939 0.83170 0.82032 0.82131 0.78744 0.78944 0.75002 0.74704 0.71940 0.71949 0.87589 0.87098 0.82440 0.82809 0.80921 0.81964 0.79288 0.78695 0.75999 0.74738 0.72416 0.71744
0.88950 0.87413 0.82871 0.82318 0.78041 0.80993 0.78834 0.79101 0.75342 0.75680 0.71668 0.72128 0.88859 0.88683 0.82214 0.82670 0.79968 0.78311 0.80241 0.78746 0.75296 0.75212 0.71305 0.71514
0.88745 0.88749 0.81465 0.82164 0.79560 0.79722 0.80989 0.79907 0.75999 0.75108 0.71622 0.71097 0.90945 0.88625 0.81964 0.81462 0.79356 0.79550 0.81102 0.80736 0.76861 0.75704 0.71237 0.71343
0.91127 0.90484 0.81692 0.81851 0.80989 0.79330 0.82667 0.80910 0.77837 0.76546 0.70330 0.71044 0.90152 0.90894 0.82236 0.81667 0.80241 0.80765 0.82304 0.82308 0.77020 0.77505 0.70556 0.70222 0.89970 0.90054 0.80173 0.82127 0.80944 0.80251 0.80944 0.82173 0.76317 0.76850 0.71350 0.70344
0.89403 0.89765 0.80785 0.80360 0.81148 0.80839 0.80740 0.80954 0.74707 0.76145 0.70579 0.71064 0.88768 0.89269 0.81284 0.80665 0.82214 0.81106 0.80717 0.80602 0.75432 0.74686 0.70125 0.70472
0.88405 0.88646 0.80785 0.81152 0.80377 0.82071 0.79787 0.80534 0.74729 0.75125 0.70284 0.69932 0.90242 0.88272 0.79923 0.80788 0.80263 0.80567 0.79220 0.79721 0.74480 0.74627 0.70216 0.70029 0.89970 0.89800 0.80467 0.79961 0.81511 0.80255 0.78925 0.79107 0.74775 0.74348 0.69989 0.69970
0.90152 0.89774 0.80649 0.80353 0.83234 0.81348 0.78630 0.78779 0.74049 0.74553 0.70602 0.69762 0.88723 0.89900 0.80331 0.80552 0.82645 0.82975 0.77587 0.78486 0.75047 0.73969 0.70171 0.70242
0.88813 0.88662 0.79787 0.80285 0.83325 0.82637 0.78154 0.77523 0.76498 0.74740 0.69649 0.69894 0.89721 0.88619 0.80445 0.79756 0.82191 0.83176 0.77179 0.77875 0.78041 0.76098 0.70080 0.69399
PRUEBA Nº 45 PRUEBA Nº 47
Redes Neuronales Artificiales, una herramienta para las Finanzas.
119
REAL RNA REAL RNA REAL RNA REAL RNA
1.84 1.860601 2.0182 2.013363 1.8795 1.891622 2.04 2.023177
1.8655 1.869822 2.0273 2.031686 1.9009 1.904518 2.0352 2.028018 1.8795 1.886885 2.04 2.039686 1.9168 1.918378 2.0646 2.031337
1.9009 1.90491 2.0352 2.050605 1.9432 1.938053 2.0857 2.041861
1.9168 1.925224 2.0646 2.068081 1.9245 1.950399 2.0677 2.062637
1.9432 1.934577 2.0857 2.077363 1.945 1.948743 2.0573 2.060503
1.9245 1.94105 2.0677 2.073942 1.9232 1.947152 2.0059 2.05168
1.945 1.939131 2.0573 2.050751 1.8763 1.945611 2.0557 2.032778
1.9232 1.919945 2.0059 2.043022 1.9168 1.918252 2.057 2.037623
1.8763 1.910498 2.0557 2.049629 1.9537 1.921842 2.0611 2.051689
1.9168 1.925089 2.057 2.060447 1.9546 1.945521 2.0611 2.051753
1.9537 1.94662 2.0611 2.065182 1.9763 1.953762 2.0723 2.06091
1.9546 1.964936 2.0611 2.069744 1.9546 1.964702 2.0998 2.06595
1.9763 1.968823 2.0723 2.082883 1.9018 1.964695 2.1407 2.080383 1.9546 1.94924 2.0998 2.108939 1.9307 1.934398 2.1452 2.130986
1.9018 1.93399 2.1407 2.133329 1.9593 1.931225 2.1255 2.144547
1.9307 1.940111 2.1452 2.140306 1.9346 1.954457 2.1552 2.140056
1.9593 1.94732 2.1255 2.145433 1.8882 1.949713 2.1598 2.14845
1.9346 1.931843 2.1552 2.153815 1.9359 1.927232 2.1552 2.155152
1.8882 1.924605 2.1598 2.160161 1.9232 1.94662 2.1657 2.16005
1.9359 1.926412 2.1552 2.164478 1.9363 1.952862 2.1543 2.16162
1.9232 1.934441 2.1657 2.164109 1.9627 1.970767 2.1527 2.165863
1.9363 1.947405 2.1543 2.161486 1.97 1.986565 2.107 2.162153
1.9627 1.962264 2.1527 2.144443 1.9627 1.992063 2.168 2.148824
1.97 1.969886 2.107 2.1449 1.9446 1.985277 2.1727 2.158047
1.9627 1.964684 2.168 2.158751 1.9646 1.976737 2.1545 2.181174
1.9446 1.962637 2.1727 2.166924 1.9757 1.980395 2.1502 2.174214
1.9646 1.96903 2.1545 2.163196 2.0182 1.987755 2.1411 2.160676
1.9757 1.99036 2.0273 2.005924
ANEXO 4
Redes Neuronales Artificiales, una herramienta para las Finanzas.
120
CUESTIONARIO
Universidad de Concepción Facultad de Ciencias Economías y Administrativas
Encuesta para Investigación:
“Redes Neuronales Artificiales en Finanzas”
Nombre institución:
Persona encuestada:
Área de trabajo:
1. ¿Ha escuchado alguna vez hablar de las Redes Neuronales Artificiales (RNA)?
Si (a) No (b)
2. ¿Qué conoce de las Redes Neuronales Artificiales? Marque sus respuestas.
Idea General (a) Significado (b) Funcionamiento (c)
Usos (d) Nada (e)
3. ¿En su centro de estudios (Universidad o Instituto) le enseñaron algo de las Redes Neuronales Artificiales?
Si (a) No (b) 4. ¿Ha leído o conoce algún artículo en donde se mencione la aplicación de las RNA en el
área financiera? Si (a) No (b)
5. De acuerdo a lo leído o conocido ¿Cuál de los siguientes usos de las RNA dentro del área
financiera identifica? Marque sus respuestas.
Aprobación de créditos. (a) Clasificación de Bonos. (b)
Redes Neuronales Artificiales, una herramienta para las Finanzas.
121
Predicción de series de tiempo (precios) (c) Determinación del riesgo de quiebra de una empresa. (d) Predicción del comportamiento de inversionistas. (e) Ninguno (f) Otros (g)
6. ¿Ha utilizado alguna vez o utiliza las RNA, en el área financiera? Si su respuesta es no
pase a la pregunta 9.
Si (a) Para que: (a.1) No (b)
7. ¿Qué software utilizó o utiliza? (a)
8. ¿Considera las RNA, una herramienta útil para las finanzas?
Si (a) No (b)
9. ¿Cuál cree Ud. es la principal razón de la no utilización de las RNA? Desconocimiento (a) Falta de Software (b) Altos costos (c) Alta complejidad versus resultados que entregan (d) Ninguna (e) Otros modelos Alternativos (f)
10. Si no utiliza RNA ¿Qué herramienta utiliza? APT (a) CPM (b) Análisis Técnico (c) Análisis Fundamental (d) Programación Lineal (e) Otro (f)
Nota: Las letras en rojo representan la codificación de las respectivas respuestas de cada pregunta
Red
es N
euro
nal
es A
rtifi
cial
es, u
na
her
ram
ient
a p
ara
las
Fin
anza
s
122
AN
EX
O 4
RE
SU
LTA
DO
S C
UE
ST
ION
AR
IO
No
ta 1
: N
.C =
No
Co
nte
sta
P.A
= P
redi
cció
n d
e A
ccio
nes
No
ta 2
: Lo
s no
mbr
es d
e la
s co
rred
ora
s se
man
tuvi
ero
n a
nó
nim
os
par
a re
sgu
arda
r la
co
nfid
enci
alid
ad d
e la
info
rmac
ión
.
CO
RR
ED
OR
AS
PR
EG
UN
TA
S
1
2 3
4
5
6
7
8
9
10
a b
a b
c d
e a
b
a b
a b
c d
e f
g a
a.1
b a
a b
a b
c d
e f
a b
c d
e
f C
orr
edor
a 1
1
1
1
1
1
1
1
1
1
Co
rred
ora
2
1
1
1
1
1
1
1
1
1
1
Co
rred
ora
3
1 1
1
1
1
1
1
1
1
Co
rred
ora
4
1 1
1
1
N.C
1 P
.A
P
rop
io 1
1
1
Co
rred
ora
5
1 1
1
1
1
1
1
N.C
1
1
1
1
Co
rred
ora
6
1 1
1 1
1
1
1
1
1
P.A
Exc
el
1
1
1
1 C
orr
edor
a 7
1
1
1
1
1
1
1
1
1
1
1
1
1
Co
rred
ora
8
1 1
1
1
1
1
1
1 1
C
orr
edor
a 9
1
1
1
1
1
1
1
1
C
orr
edor
a 1
0
1
1
1
1
1
1
1
1
Co
rred
ora
11
1
1
1
1
1
1
1
1
1
Co
rred
ora
12
1
1
1
1
1
1
1
1
1
1
Co
rred
ora
13
1
1
1
1
1
1
1
1
1 1
1 1
1
1
Co
rred
ora
14
1
1
1 1
1
1
1
1
1
1
1
1
1 1
1
Co
rred
ora
15
1
1
1
1
1
1
1
1 1
1
Co
rred
ora
16
1
1
1
1
1
1 1
1
1
1 1
1
To
tal
12
4 9
3 3
6 5
2 1
4 9
7 1
0 1
1 2
3 4
0 2
1
3
2
0 1
3 2
1 1
0 6
2 3
12
14
1 1
top related