Ciencia de datos en economía

Saeed Nosratabadi 1, Amir Mosavi 1,2 *, Puhong Duan 3 y Pedram Ghamisi 4 4

1 Escuela del entorno construido, Oxford Brookes University, Oxford, OX3 0BP, Reino Unido.
2 Facultad de Ingeniería Civil, Technische Universität Dresden, 01069 Dresden, Alemania.
3 Colegio de Ingeniería Eléctrica y de la Información, Universidad de Hunan, Changsha 410082, China.
44 Devision de exploración, Helmholtz Institute Freiberg for Resource Technology, Helmholtz-Zentrum

Dresden-Rossendorf, Dresden, Alemania.

** Correspondencia: a.mosavi@brooks.ac.uk ;

Recibido: fecha; Aceptado: fecha; Fecha de Publicación

Resumen: Este artículo proporciona el estado del arte de la ciencia de datos en economía. A través de una nueva taxonomía de
aplicaciones y métodos, se investigan los avances en la ciencia de datos. Los avances de la ciencia de datos se investigan en tres clases
individuales de modelos de aprendizaje profundo, modelos de conjunto y modelos híbridos. Los dominios de aplicación incluyen mercado
de valores, marketing, comercio electrónico, banca corporativa y criptomoneda. Método Prisma, se utiliza una metodología sistemática de
revisión de la literatura para garantizar la calidad de la encuesta. Los resultados revelaron que las tendencias están en el avance de los
modelos híbridos, ya que más del 51% de los artículos revisados ​aplicaron el modelo híbrido. Por otro lado, se encuentra que, basándose
en la métrica de precisión RMSE, los modelos híbridos tenían una mayor precisión de predicción que otros algoritmos.

Palabras claves: Ciencia de los datos; aprendizaje profundo; conjuntos de modelos de aprendizaje automático; ciencias económicas; modelos híbridos

Acrónimos

Acrónimo Explicación
(2D) 2PCA Análisis bidireccional de componentes principales bidimensionales

AE Codificador automático

ANA Red neuronal artificial

AO Adam Optimizer
ARIMA Modelo de media móvil integrada autorregresiva
BRT Árbol de regresión impulsado

CNN Red neuronal convolucional

DCNN Red neuronal convolucional profunda
DL Aprendizaje profundo

DNN Red neuronal profunda

DNNC Clasificador de red neuronal profunda
DRL Aprendizaje de refuerzo profundo
EL Ensemble Learning
OLMO Máquina de aprendizaje extrema

EWT Transformada empírica de wavelet

GARCH Heteroscedasticidad condicional autorregresiva
generalizada
GRDH Método grupal de manejo de datos
GRNN Regresión generalizada Redes neuronales
GRU Unidad recurrente cerrada

KNN Vecinos K-más cercanos

INICIAR SESIÓN Clasificador de regresión logística

Matemáticas 2020 8, X; doi: PARA LA REVISIÓN POR PARES www.mdpi.com/journal/mathematics

 LSDL Aprendizaje profundo a gran escala

LSTM Memoria larga a corto plazo

LWDNN Lista de red neuronal profunda sabia
MACN Red colaborada de múltiples agentes
MB-LSTM LSTM bidireccional multivariante
MDNN Red neuronal profunda multicapa
MFNN Red neuronal de varios filtros
MLP Perceptrón de múltiples capas
MLP Perceptrón multicapa
NNRE Conjunto de regresión de la red neuronal
O-LSRM Memoria óptima a corto plazo
PCA Análisis de componentes principales
pSVM Proporción de máquinas de vectores de soporte

RBFNN Función de base radial Red neuronal

RBM Máquina de Boltzmann restringida
REPS Poda de error reducida
RF Bosque al azar
RFR Regresión forestal aleatoria
RNN Red neuronal recurrente
SAE Autoencoders apilados
SLR Regresiones lineales paso a paso

SN-CFM Similitud, modelo de filtrado colaborativo basado en el vecindario

ITS Indicadores técnicos de stock

SVM Máquinas de vectores soporte

SVR Soporte de regresión vectorial

SVRE Conjunto de regresión de vectores de soporte,

TDFA Funciones basadas en el tiempo

TS-GRU GRU de dos corrientes

Washington Análisis Wavelet

WT Transformaciones Wavelet

1. Introducción

La aplicación de la ciencia de datos en diferentes disciplinas está aumentando exponencialmente. Porque la ciencia de datos ha
tenido enormes progresos en el análisis y uso de datos. Al igual que otras disciplinas, la economía se ha beneficiado de los avances de la
ciencia de datos. Los avances de la ciencia de datos en economía han sido progresivos y han registrado resultados prometedores en la
literatura. Los avances en la ciencia de datos han sido notables en las tres partes del aprendizaje profundo, el aprendizaje automático
híbrido y el aprendizaje automático conjunto. Los algoritmos de aprendizaje automático (ML) pueden aprender de los datos con una mínima
intervención humana. Los modelos de aprendizaje profundo (DL), como un subconjunto adecuado de modelos de aprendizaje automático,
se aplican en muchos aspectos de la sociedad actual, desde los cuidados autónomos hasta el reconocimiento de imágenes y la predicción
de terremotos. Se proporcionan muchas evidencias en la literatura que expresan el rendimiento superior de los modelos DL en
comparación con otros métodos de aprendizaje automático como SVM, KNN, GRNN en los campos de la economía. La evolución de los
métodos DL es muy rápida y todos los días se agregan muchas secciones y disciplinas a la cantidad de usuarios y beneficiarios de
algoritmos DL. Los modelos híbridos de aprendizaje automático consisten en dos o más algoritmos individuales para aumentar la precisión
de la predicción [1]. Los modelos híbridos se pueden formar combinando dos algoritmos predictivos de aprendizaje automático o un
algoritmo de aprendizaje automático y un método de optimización para maximizar la función de predicción [2]. Está demostrado que los
modelos híbridos de aprendizaje automático superan a los algoritmos individuales y este enfoque ha mejorado la precisión de la predicción
[3-5].
algoritmos para mejorar los procesos de aprendizaje y aumentar la precisión predictiva [1]. Los modelos de conjunto aplican diferentes algoritmos de

entrenamiento para mejorar el entrenamiento y el aprendizaje de los datos.

El cuerpo de la literatura incluyó los artículos de revisión sobre el estado del arte de los métodos de DL en diferentes disciplinas, como el

reconocimiento de imágenes (por ejemplo, [6]), el comportamiento de los animales (por ejemplo, [7]), el pronóstico de energía renovable (por ejemplo, [8]) y

los documentos de revisión sobre métodos híbridos en diferentes campos, tales como series de tiempo financieras [9], predicción de radiación solar [10] y

predicción de tasa FOREX [11], y los documentos de revisión sobre métodos conjuntos en campos como el cáncer de mama [12] ], categorización de imagen

[13], predicción del comportamiento del usuario del vehículo eléctrico [14], predicción de generación de energía solar [15].

A pesar del hecho de que muchos investigadores aplicaron métodos de aprendizaje profundo para abordar diferentes problemas en el campo

de la economía (ver Figura 1), estos estudios están dispersos. Si bien, sin embargo, no existe un estudio único para proporcionar una visión integral

de las contribuciones de la ciencia de datos en los campos relacionados con la economía. Por lo tanto, el estudio actual se realiza para cerrar esta

brecha en la literatura. En otras palabras, el objetivo principal de este estudio es investigar el avance de la ciencia de datos en las tres partes de los

métodos de aprendizaje profundo, los métodos híbridos de aprendizaje profundo y, finalmente, la formación de técnicas de aprendizaje automático en

campos relacionados con la economía. Este estudio también clasifica los sectores en los que se aplican dichos métodos.

Figura 1: Aplicación creciente del aprendizaje profundo en economía

A continuación, primero, se describe el método por el cual se formó la base de datos de este artículo. Posteriormente, los artículos
se clasificaron por sector y área de estudio, y los modelos utilizados en cada categoría se describen en detalle. El estudio también clasifica
los modelos utilizados en los artículos revisados, y cada clase se explica en detalle. Finalmente, se analizan los hallazgos de este estudio y
se presentan las conclusiones del artículo.

2. Materiales y métodos

El estudio actual aplicó Prisma, un enfoque de revisión sistemática de la literatura, para encontrar los artículos más publicados que
aplican métodos DL para abordar un problema en un campo relacionado con la economía. La revisión sistemática de la literatura basada en el
método Prisma incluye cuatro pasos: 1) identificación, 2) detección, 3) elegibilidad, 4) inclusión. En la etapa de identificación, los documentos
se identifican mediante la búsqueda inicial entre las bases de datos mencionadas. En este estudio, la revisión se limita a los artículos
originales de investigación de revisión por pares publicados a través de Thomson Reuters Web-of-Science (WoS) y Elsevier Scopus. Además,
solo los artículos escritos en inglés se consideraron para la revisión en este estudio. Este paso resultó en 204 artículos. El paso de selección
incluye dos etapas en que, primero, se eliminan los artículos duplicados. Como resultado, 112 artículos únicos pasaron a la siguiente etapa,
donde la relevancia de los artículos
se examina en función de su título y resumen. El resultado de este paso fue 69 artículos para mayor consideración. El siguiente paso del
modelo de Prisma es la elegibilidad, en la que los autores leyeron el texto completo de los artículos y 50 de ellos se consideraron elegibles
para la revisión final en este estudio. El último paso del modelo Prisma es la creación de la base de datos del estudio, que se utiliza para el
análisis cualitativo y cuantitativo. La base de datos del estudio actual comprende 50 artículos y todos los análisis en este estudio se
realizaron en base a estos artículos. La Figura 2 ilustra los pasos para crear la base de datos del estudio actual basado en el método
Prism.

Figura 2. Diagrama de selección sistemática de la base de datos del estudio.

3. Resultados

3.1 Aplicaciones de modelos de aprendizaje profundo en la economía

La revisión en profundidad de 50 artículos destinados a revisión en este estudio identificó cuatro áreas diferentes en las que se aplicó DL, que

fueron el mercado de valores, marketing, comercio electrónico, bancarrota corporativa y criptomoneda. La revisión de la base de datos del estudio

revela que el uso de redes neuronales profundas híbridas se ha vuelto muy común en la base de datos del estudio. Por lo tanto, una sección de este

documento está dedicada al estudio de los modelos de redes neuronales profundas híbridas aplicadas también.

3.1.1 Mercado de valores

La aplicación del aprendizaje profundo en el mercado de valores ha sido más común que en otras áreas de la economía, ya que la mayoría de los

estudios de investigación revisados ​en el estudio actual se clasifican en esta categoría (33 de

50) La Tabla 2 presenta varias motivaciones que estimularon a los investigadores a usar modelos predictivos en los estudios del mercado de valores. La

inversión en el mercado de valores es rentable, mientras mayor es la ganancia, mayor es el riesgo. Por lo tanto, los inversores siempre intentan

determinar y estimar el valor de las acciones antes de cualquier acción. El valor de las acciones a menudo está influenciado por una especie de factores

económicos y políticos incontrolables que hacen que sea muy difícil identificar las tendencias futuras del mercado de valores. Por un lado, la naturaleza

del mercado de valores es tan volátil y compleja, y por otro lado, los datos financieros de las series temporales son tan ruidosos
y no estacionario. Por lo tanto, los modelos de pronóstico tradicionales no son lo suficientemente confiables para predecir el valor de las existencias y

los investigadores están buscando nuevas metodologías basadas en modelos DL para mejorar la precisión de tales predicciones. La previsión del

valor de las acciones ha sido el objetivo de 25 de 33 artículos. Además, hay estudios destinados a aplicar DL para el análisis de sentimientos (el

análisis de sentimientos se refiere al análisis del contexto de textos para extraer afectivamente información subjetiva) para encontrar las tendencias

futuras en el mercado de valores. Además, gestión de cartera, negociación algorítmica (utilizando un sistema automatizado preprogramado para la

negociación), negociación automatizada de acciones, carteras de inversión socialmente responsables, predicción de tendencias del índice S&P 500,

La predicción de los precios de las opciones de intercambio-fondo-comercio (EFT) fueron los objetivos de otros artículos estimulantes para emplear

métodos DL. Las series de tiempo financieras han sido la fuente de datos de todos estos estudios, excepto los estudios destinados al análisis de

sentimientos. En otras palabras, estos estudios aplicaron diferentes modelos de DL para encontrar los patrones entre las series de tiempo financieras.

LSTM

Las redes de memoria a largo plazo (LSTM) son un tipo especial de redes neuronales recurrentes (RNN), que pueden superar el

problema principal de RNN, es decir, la desaparición de gradientes mediante el uso de puertas para retener selectivamente la información

relevante y descartar la información no relacionada. La estructura de una red neuronal LSTM se muestra en la Fig. 1, que se compone de una

unidad de memoria C , un estado oculto h

y tres tipos de puertas. Específicamente, para cada paso t, LSTM recibe una entrada Xt y lo anterior

estado oculto ht -.1Luego, calcula las activaciones de las puertas. Finalmente, la unidad de memoria y lo oculto

estado se actualizan. Los cálculos involucrados se describen a continuación:

Ft = • ( W Fxwh
t
+ F t -1
+ si F )

yo
t
= • ( W yox t wh
+ yo t -1
+ siyo)

OW
t
= xwh
• ( + + si )
Antiguo- Testamento
Antiguo Testamento 1 o

C t
= f t Cmi t -1
+ yo
t
mi • C
( W Connecticut
xwh+ -1
+ siC )
Connecticut

Ho
t
= mi t
tanh ()C t

Dónde W, w y si denota los pesos de entrada, pesos de salida recurrente y sesgos. f, i

y O representan los vectores de puerta de olvido, entrada y salida, respectivamente. mi es la multiplicación por elementos.
 Figura 3 La estructura de la red LSTM

Confiando en el algoritmo LSTM, ya sea en una única memoria de tiempo largo (LSTM) o en un modelo híbrido de LSTM, muchos investigadores se esforzaron por pronosticar

el valor de las acciones. Adaptando el algoritmo LSTM, Moon y Kim [16] proponen un algoritmo para predecir el índice bursátil y la volatilidad del mercado bursátil. Fischer y Krauss [17]

expanden las redes LSTM para pronosticar movimientos direccionales fuera de la muestra en el mercado de valores. La comparación entre el rendimiento de su modelo con el RF, DNN,

LOG ilustra un notable rendimiento superior del modelo LSTM. Tamura y col. [18] introduce un enfoque bidimensional para predecir los valores de las acciones en los que los índices

técnicos financieros del mercado japonés de stoke ingresaron como datos de entrada al LSTM para la predicción y luego los datos de los estados financieros de las compañías

relacionadas se recuperan y se agregan a la base de datos . Wang y col. [19] trató de encontrar el mejor modelo para predecir series temporales financieras para la gestión de la cartera

a fin de optimizar la formación de la cartera. Comparan los resultados del LSTM con SVM, RF, DNN y ARIMA y se dieron cuenta de que LSTM es más adecuado para la predicción

financiera de series temporales en su estudio. Usando LSTM, Fister et al. [20] diseñar un modelo para el comercio de acciones automatizado. Argumentan que el rendimiento de LSTM

es notablemente más alto que las estrategias comerciales tradicionales, como las estrategias comerciales pasivas y basadas en reglas, en sus estudios de caso de las acciones

alemanas de primer nivel y BMW en el período entre 2010 y 2018. y ARIMA y se dieron cuenta de que LSTM es más adecuado para pronósticos financieros de series de tiempo en su

estudio. Usando LSTM, Fister et al. [20] diseñar un modelo para el comercio de acciones automatizado. Argumentan que el rendimiento de LSTM es notablemente más alto que las

estrategias comerciales tradicionales, como las estrategias comerciales pasivas y basadas en reglas, en sus estudios de caso de las acciones de primera clase alemanas y BMW en el

período entre 2010 y 2018. y ARIMA y se dieron cuenta de que LSTM es más adecuado para pronósticos financieros de series de tiempo en su estudio. Usando LSTM, Fister et al. [20]

diseñar un modelo para el comercio de acciones automatizado. Argumentan que el rendimiento de LSTM es notablemente más alto que las estrategias comerciales tradicionales, como

las estrategias comerciales pasivas y basadas en reglas, en sus estudios de caso de las acciones de primera clase alemanas y BMW en el período entre 2010 y 2018.

Además, hay muchas evidencias en la literatura de que los métodos híbridos LSTM también superan a los otros métodos DL únicos.
En la aplicación del mercado de valores, LSTM es híbrido con diferentes métodos. Tamura y col. [18], por ejemplo, informan que los
resultados de la prueba de precisión superan al modelo en la literatura, en su estudio de caso. Empleando O-LSTM, Agrawal et al. [21]
proponen un modelo para la predicción del precio de las acciones. Agrawal y col. [21] utiliza el Tensor de correlación formado por Stock
Technical Indicators para optimizar la función de aprendizaje profundo. Agrawal y col. [21] integre el LSTM optimizado con las ITS y
desarrolle dos modelos predictivos, uno para la predicción de la tendencia del precio y el otro para tomar la decisión de Compra-Venta al
final del día. Integrando WT, SAE y LSTM, Bao, Yue y Rao [22] proponen un nuevo método para predecir el precio de las acciones. De
acuerdo con Bao et al. [22], WT, en primer lugar, elimina los ruidos para descomponer la serie temporal del precio de las acciones. En la
siguiente etapa, las SAE crean características predictivas para el precio de las acciones. Y finalmente, el LSTM se aplica para predecir el
precio de cierre del día siguiente en función de las características generadas en la etapa anterior. Bao y col. [22] afirman que su modelo
supera a los modelos de vanguardia en la literatura en términos de precisión predictiva y rendimiento de rentabilidad. Para hacer frente a la
no linealidad y las características no estacionarias de las series de tiempo financieras, Yan y Ouyang [23] integran WA-LSTM para
pronosticar el precio de cierre diario del Índice Compuesto de Shanghai. Sus resultados muestran que su modelo propuesto superó a MLP,
SVM y KNN en la búsqueda de patrones en las series de tiempo financieras. Vo y col. [24] utilice un MB-LSTM para desarrollar un modelo
de Portafolio de Inversión Profundamente Responsable (DRIP) para la predicción de retornos de acciones para carteras de inversión
socialmente responsables. Aplicaron el modelo DRL para reentrenar redes neuronales. Fang, Chen, Xue [25] desarrollan una metodología
para predecir los precios de las opciones de intercambio-fondo-comercio (EFT). Integrando el modelo LSTM y SVR, primero desarrollan
dos modelos de LSTM-
SVR I y LSTM-SVR II, donde en LSTM-SVR I la producción de LSTM y el precio final de la transacción, el precio de compra, el precio más
alto, el precio más bajo, el volumen, la volatilidad histórica y la volatilidad implícita del segmento de tiempo, que se consideran factores que
afecta el precio, agregado como la entrada del modelo SVR. Mientras que en LSTM-SVR II, los vectores de estado ocultos de LSTM y los
siete factores que afectan el precio de la opción se consideran las entradas de SVR. También comparan los resultados con el modelo LSTM y
el modelo RF.

Tabla 1. Aplicación de algoritmos de ciencia de datos en Bolsa

Fila Métodos de modelado Fuente de datos Objetivo de la investigación Fuente

LSTM en comparación con SVM,
1 RF, DNN y Tiempo financiero Gestión de la
ARIMA Serie cartera Wang y col. [19]
característica impulsada por el tiempo Tiempo financiero
2
consciente y DRL Serie Trading algorítmico Lei y col. [26]
Comparación de LSTM bidireccional Socialmente responsable

3 multivariante con Tiempo financiero Carteras de

DRL Serie inversiones Vo y col. [24]
GRU - CNN Sabeena y Venkata
44 Tiempo financiero Predicción del precio Subba Reddy [27]
Serie de las acciones

Adam optimizer-MDNN Tiempo financiero Predicción del precio

55
Serie de las acciones Das y Mishra [28]
DNN Tiempo financiero Predicción del precio
66
Serie de las acciones Ve y Hong [29]
O-LSTM-STI Tiempo financiero Predicción del precio
77
Serie de las acciones Agrawal y col. [21]
CNN en comparación con Tiempo financiero Predicción del precio
8
DNNC y LSTM Serie de las acciones Gonçalves y col. [30]
DNN-SLR Tiempo financiero Predicción del precio
99
Serie de las acciones Moews y col. [31]
DNN Tiempo financiero Predicción del precio
10
Serie de las acciones Song y col. [32]
LSTM-SVR en comparación con Predicción de precios de

11 RF y LSTM Tiempo financiero opciones de

Serie Exchange-tradefund (EFT) Fang y col. [25]

Tiempo financiero Predicción del precio
12 NMF (CNN y RNN)
Serie de las acciones Long y col. [33]
Tiempo financiero Stock automatizado
13
LSTM Serie Comercio Fister y col. [20]
Tiempo financiero Predicción del precio
14 Bosque aleatorio, SVM y
K-vecinos Serie de las acciones Rajesh [34]
Tiempo financiero Predicción del precio
15
LSTM Serie de las acciones Luna y Kim [16]
CNN comparando con Tiempo financiero Predicción del precio Sim kim y ahn
dieciséis
ANN y SVM Serie de las acciones [35]
LSTM-ITS Tiempo financiero Predicción del precio
17
Serie de las acciones Agrawal y col. [36]
CNN Tiempo financiero Predicción del precio
18 años
Serie de las acciones Tashiro y col. [37]
LSDL Tiempo financiero Predicción del precio Sirignano y Cont
19
Serie de las acciones [38]
 BRT en comparación con Tiempo financiero Predicción del precio
20
NNRE, SVRE y RFR Serie de las acciones Weng y col. [39]
ELM-AE en comparación con
21 GARCH, GRNN, MLP, Tiempo financiero Predicción del precio

RF y GRDH Serie de las acciones Preeti y col. [40]

CNN en comparación con
22
doc2vec y LSTM Redes sociales Análisis de los sentimientos Sohangir y col. [41]
Comparación de LSTM con RF, Tiempo financiero Predicción del precio Fischer y Krauss
23
DNN y LOG Serie de las acciones [17]
24 GRU de dos corrientes Noticias financieras Análisis de los sentimientos Lien Minh y col. [42]
Tiempo financiero La predicción de tendencia del
25
DNN Serie índice S&P 500 Das y col. [43]
análisis wavelet con LSTM,
26 comparando con SVM, KNN y Tiempo financiero Predicción del precio Yan y Ouyang
MLP Serie de las acciones [23]
Tiempo financiero Predicción del precio
27
MACN Serie de las acciones Kim y col. [44]
Tiempo financiero Predicción del precio Faghihi-Nezhad y
28
EL-ANN Serie de las acciones Minaei-Bidgoli [45]
Tiempo financiero Predicción del precio
29
LSTM Serie de las acciones Tamura y col. [18]
DNN en comparación con PCA,
30 Autoencoder y Tiempo financiero Predicción del precio

RBM Serie de las acciones Chong y col. [46]

Tiempo financiero Predicción del precio Dingli y Fournier
31
CNN Serie de las acciones [47]
(2D) 2PCA - DNN en Tiempo financiero Predicción del precio Singh y
32
comparación con RBFNN Serie de las acciones Srivastava [48]
Tiempo financiero Predicción del precio
33
WT-SAEs-LSTM Serie de las acciones Bao y col. [22]

DNN

Figura 4 Estructura de la red neuronal profunda

La red neuronal profunda (DNN) es el otro método DL, que se compone de múltiples niveles de operaciones no lineales, y cada

capa solo recibe las conexiones de su capa de entrenamiento anterior

(como se muestra en la Figura 4). Suponer X ser los datos de entrada, y w jser un banco de filtros La multicapa

Las características del DNN se pueden calcular como:

fX
() = L Fk ( F2 ((;f 1X ww 1
); 2
)L , wk ) .

Actualmente, DNN se ha aplicado ampliamente en el mercado de valores para identificar las tendencias y patrones entre los datos financieros de series temporales. Go y Hong

[29] aplicaron el método DNN para predecir el valor de las acciones. Primero entrenan el método por los datos de series temporales y luego prueban y confirman la previsibilidad de su

modelo. Song y col. [32] desarrollar DNN utilizando 715 nuevas características de entrada para pronosticar la fluctuación del precio de las acciones. También comparan el rendimiento de

su modelo con los otros modelos que incluyen características de entrada simples basadas en el precio. Para predecir el comportamiento del mercado de valores, Chong, Han y Park [46]

examinan el desempeño de DNN. Consideran los retornos de acciones intradía de alta frecuencia como la entrada en su modelo. Analizan la previsibilidad de PCA, autoencoder y RBM.

Según sus resultados, Los DNN tienen buena previsibilidad con la información que reciben de los residuos del modo autorregresivo. Si bien, la aplicación del modelo autorregresivo a los

residuos de la red no puede contribuir a la previsibilidad del modelo. Además, Chong et al. [46] descubrió que la aplicación de análisis de estructura de mercado basado en covarianza a

la red predictiva aumenta notablemente la estimación de covarianza. Das y col. [43] utilice DNN para predecir las tendencias futuras del índice S&P 500. Sus resultados muestran que su

modelo puede pronosticar mal el comportamiento de las acciones subyacentes en el índice S&P 500. Creen que la aleatoriedad y la no estacionariedad son las razones que dificultan la

previsibilidad de este índice. La aplicación del modelo autorregresivo a los residuos de la red no puede contribuir a la previsibilidad del modelo. Además, Chong et al. [46] descubrió que

la aplicación de análisis de estructura de mercado basado en covarianza a la red predictiva aumenta notablemente la estimación de covarianza. Das y col. [43] utilice DNN para predecir

las tendencias futuras del índice S&P 500. Sus resultados muestran que su modelo puede pronosticar mal el comportamiento de las acciones subyacentes en el índice S&P 500. Creen

que la aleatoriedad y la no estacionariedad son las razones que dificultan la previsibilidad de este índice. La aplicación del modelo autorregresivo a los residuos de la red no puede

contribuir a la previsibilidad del modelo. Además, Chong et al. [46] descubrió que la aplicación de análisis de estructura de mercado basado en covarianza a la red predictiva aumenta

notablemente la estimación de covarianza. Das y col. [43] utilice DNN para predecir las tendencias futuras del índice S&P 500. Sus resultados muestran que su modelo puede pronosticar

mal el comportamiento de las acciones subyacentes en el índice S&P 500. Creen que la aleatoriedad y la no estacionariedad son las razones que dificultan la previsibilidad de este índice. [43] utilice DNN para predecir

Además, los métodos híbridos que se construyen con base en DNN han sido reportados de manera muy precisa en los datos
financieros de series temporales. Das y Mishra [28], por ejemplo, proponen un modelo avanzado para planificar, analizar y predecir el valor
de las acciones. Utilizan un MDNN optimizado por Adam optimizer para encontrar los patrones entre los valores de las acciones. Moews y
col. [31] proponen un método para predecir el comportamiento del mercado de valores, como un sistema complejo con una gran cantidad
de series temporales ruidosas. Su modelo integra DNN y SLR. Moews y col. [31] considere las pendientes de regresión como indicadores
de fuerza de tendencia para un intervalo de tiempo dado. Para predecir el precio de las acciones de Google, Singh y Srivastava [48]
comparan dos modelos integrados (2D) 2PCA-DNN y (2D) 2PCA-RBFNN. Según sus resultados, el modelo (2D) 2PCADNN tiene una
mayor precisión en la predicción del precio de las acciones en su estudio de caso.

CNN

Figura 5 Estructura de la CNN

La red neuronal convencional (CNN) es uno de los métodos más populares en el aprendizaje profundo, que se aplica ampliamente en

varios campos [49-52], como la clasificación, el procesamiento del lenguaje y la detección de objetos. En la Figura 5 se presenta una estructura

clásica de CNN, que consta principalmente de tres componentes, es decir, capas de convolución, capas de agrupación y capas completamente

conectadas. Las diferentes capas tienen diferentes roles en el proceso de capacitación. Aquí, revisaremos brevemente esas capas:

1) Capa convolucional: la capa convolucional se compone de un conjunto de filtros entrenables, que se utiliza
para realizar la extracción de características. Suponer X Ser los datos de entrada. Existen k filtros en capas convolucionales, y por lo tanto, la salida de la

capa convolucional se puede denotar de la siguiente manera:

y j
= • fxwb
( yo • j
+= j
), j 1, 2, ..., k
yo

dónde w y si son el peso y el sesgo, respectivamente. F ()• denota una función de activación. •
representa la operación de convolución.

2) Capa de agrupación: en general, la capa de agrupación se utiliza para disminuir las dimensiones de la obtenida

Datos de características y parámetros de red. Actualmente, la agrupación máxima y la agrupación promedio son las formas más utilizadas. Dejar S ser
un páginas • tamaño de la ventana, la operación de agrupación promedio puede ser

expresado de la siguiente manera:

1
z =• x ij
N • (,)ij S

Dónde Xij indica el valor de activación en ( , ) ij. norte denota el número total de elementos en

S.
3) Capa totalmente conectada: después de la última capa de agrupación, la capa completamente conectada se utiliza para

remodelar los mapas de características en un vector de características 1-D, que se puede expresar como:

Y = • f WZ
( b+ )
yo

Dónde Y y Z denota el vector de salida y las características de entrada. W y si representa el peso y el sesgo de la capa totalmente conectada.

Recientemente, CNN ha aplicado ampliamente por muchos investigadores para predecir los valores de las acciones utilizando los
datos de series de tiempo financieras. Sim y col. [35] desarrollar un modelo para predecir el precio de las acciones. Adaptan CNN para
desarrollar su modelo. En su estudio, el resultado de comparar el desempeño predictivo de CNN con ANN y SVM ilustró que el CNN
demostró un mejor desempeño al pronosticar el precio de las acciones. Tashiro y col. [37] en primer lugar critican los modelos actuales por
la predicción de precios en los mercados bursátiles de que estos modelos ignoran las propiedades de las órdenes de mercado. Por lo tanto,
presentan la arquitectura CNN que integra características basadas en pedidos para predecir las tendencias de precios medios en los
mercados bursátiles. Sus resultados demuestran que agregar las características de los pedidos al modelo ha aumentado la precisión del
modelo. Dingli y Fournier [47] aplicaron la CNN para predecir el movimiento futuro de los precios de las acciones. Informan que la precisión
predictiva de su modelo fue del 65% cuando estudian el precio del próximo mes y del 60% cuando buscan el precio de la próxima semana.
Gonçalves y col. [30] compare los resultados de la predicción de CNN, LSTM y DNNC para encontrar el mejor modelo para predecir las
tendencias de precios en los mercados cambiarios. Su hallazgo revela que CNN, en promedio, tiene el mejor poder predictivo en sus
estudios de caso. Sohangir y col. [41] compare el rendimiento de varios modelos de redes neuronales como CNN, LSTM y doc2vec para el
análisis de sentimientos entre las publicaciones y opiniones de los expertos en StockTwits para predecir los movimientos en los mercados
bursátiles. Sus resultados revelan que una CNN ha tenido la mayor precisión para predecir el sentimiento de los expertos en su estudio de
caso. Paolanti y col.

Para aumentar la precisión de CNN, algunos investigadores integraron CNN con otros modelos y han propuesto un nuevo modelo híbrido.
Por ejemplo, integrando GRU y CNN, Sabeena et al. [27] presenta un modelo DL híbrido para predecir las fluctuaciones financieras en el mercado
de valores en tiempo real que puede procesar los datos en tiempo real de los sitios financieros en línea. Para predecir el movimiento de precios
de series de tiempo financieras
muestras, Long et al. [33] presenta un modelo de extremo a extremo llamado MFNN. Incorporan CNN y RNN para construir la estructura de
filtros múltiples de su modelo.

Otros algoritmos

Además de LSTM, DNN y CNN, se emplean otros métodos de DL para la predicción del valor de las existencias utilizando datos de series
temporales. Por ejemplo, Sirignano y Cont [38] desarrollan un modelo LSDL para estudiar las cotizaciones y transacciones del mercado de EE.
UU. Sus resultados revelan que existe una relación universal y estacionaria entre el historial de flujo de pedidos y las tendencias de precios. Kim y
col. [44] desarrollar el modelo MACN para optimizar los datos financieros de series temporales. Afirman que la contribución de su modo es que
este modelo puede compartir y generalizar la experiencia del agente en el comercio de acciones.

Además, los investigadores aplican otros métodos híbridos para obtener datos financieros de series temporales. Por ejemplo, para predecir las

tendencias de los precios de las acciones, Lien Minh et al. [42] desarrollar el modelo de dos corrientes GRUN y Stock2Vec. Creen que las noticias

financieras y el diccionario de sentimientos afectan los precios de las acciones, por lo tanto, su método fue entrenado para analizar los sentimientos

en las noticias financieras y su relación con los precios financieros. Su hallazgo apoyó el rendimiento superior de su modelo en comparación con los

modelos actuales. Lien Minh y col. [42] también afirman que Stock2Vec es muy eficiente en conjuntos de datos financieros. Lei y col. [26], mediante el

modelo de aprendizaje profundo y el modelo de aprendizaje de refuerzo, desarrollar un modelo de aprendizaje de refuerzo conjunto y consciente de

las características basado en el tiempo (TFJ-DRL) para la predicción de series de tiempo financieras en el comercio algorítmico. Preeti y col. [40]

introduce un modelo ELM-AE para encontrar los patrones en las series de tiempo financieras. Prueban la precisión de su modelo con los datos de

series temporales del precio del oro y el precio del petróleo crudo y también comparan los resultados con los de GARCH, GRNN, MLP, RF y GRDH.

El resultado de la prueba de error cuadrático medio (MSE) demostró que el rendimiento de su modelo era más alto que los métodos existentes.

Rajesh y col. [34] utiliza el aprendizaje conjunto para predecir la tendencia futura de las acciones. Aplicaron Heat Map y Ensemble Learning a los datos financieros de las 500

principales empresas de la bolsa de valores de S&P. Sus resultados muestran que la combinación de los clasificadores Random Forest, SVM y K-neighbours tuvo los resultados más

precisos y la precisión del modelo propuesto fue un 23% mayor que un modelo de predicción de etiquetado de un solo clasificador. Weng y col. [39] intentó diseñar un sistema de

expertos financieros para pronosticar los precios de las acciones a corto plazo. Para analizar los datos recopilados y predecir los precios de las acciones, emplearon cuatro métodos de

conjunto de aprendizaje automático de conjunto de regresión de redes neuronales, conjunto de regresión de vectores de soporte, árbol de regresión potenciado y regresión forestal

aleatoria. Ellos, utilizando datos de acciones del Grupo Citi ($ C), pronostique el precio anticipado de 1 día de 19 acciones de diferentes industrias. Weng y col. [39] afirmó que el árbol de

regresión impulsado superó a otros modelos de conjunto con un error porcentual absoluto medio (MAPE) considerable que fue mejor de lo que se informó en la literatura. Faghihi-Nezhad

y Minaei-Bidgoli [45] utilizando el aprendizaje conjunto y ANN propusieron un modelo de dos etapas para predecir el precio de las acciones. En su modelo propuesto, en primer lugar se

predice la dirección del próximo movimiento de precios y luego crean un nuevo conjunto de datos de capacitación para pronosticar el precio de las acciones. Utilizan la optimización del

algoritmo genético (GA) y la optimización del enjambre de partículas (PSO) para optimizar los resultados de cada etapa. Afirmaron que la precisión de su modelo en la predicción del

precio de las acciones superó a otros modelos en la literatura. [39] afirmó que el árbol de regresión impulsado superó a otros modelos de conjunto con un error porcentual absoluto medio

(MAPE) considerable que fue mejor de lo que se informó en la literatura. Faghihi-Nezhad y Minaei-Bidgoli [45] utilizando el aprendizaje conjunto y ANN propusieron un modelo de dos

etapas para predecir el precio de las acciones. En su modelo propuesto, en primer lugar se predice la dirección del próximo movimiento de precios y luego crean un nuevo conjunto de

datos de capacitación para pronosticar el precio de las acciones. Utilizan la optimización del algoritmo genético (GA) y la optimización del enjambre de partículas (PSO) para optimizar los

resultados de cada etapa. Afirmaron que la precisión de su modelo en la predicción del precio de las acciones superó a otros modelos en la literatura. [39] afirmó que el árbol de

regresión impulsado superó a otros modelos de conjunto con un error porcentual absoluto medio (MAPE) considerable que fue mejor de lo que se informó en la literatura. Faghihi-Nezhad

y Minaei-Bidgoli [45] utilizando el aprendizaje conjunto y ANN propusieron un modelo de dos etapas para predecir el precio de las acciones. En su modelo propuesto, en primer lugar se predice la dirección del próximo

Una mirada cercana a los artículos revisados ​que categorizan en la categoría del mercado de valores en el estudio actual revela que aunque los

objetivos de investigación de los artículos son diferentes, utilizan principalmente datos de series de tiempo financieras (es decir, 31 de 33 artículos) y

solo 2 artículos han utilizado Las noticias financieras y las redes sociales como fuente de datos para encontrar las tendencias futuras en el mercado de

valores (ver Tabla 3).

Tabla 2. Clasificación de artículos que usan ciencia de datos por propósito de investigación y fuente de datos en la sección del mercado de valores

Objetivo de la investigación Fuente de datos Numero de documentos

Predicción del precio de las acciones Series de tiempo financieras 25

Análisis de los sentimientos Noticias financieras, redes sociales 2

 Gestión de la cartera Series de tiempo financieras 1

Trading algorítmico Series de tiempo financieras 1

Inversión socialmente responsable

Series de tiempo financieras 1
Portafolios

Comercio automatizado de acciones Series de tiempo financieras 1

La predicción de tendencia del índice S&P 500 Series de tiempo financieras 1

Precios de Opciones de Exchange-trade-fund (EFT)

Series de tiempo financieras 1
Predicción

3.1.2 Comercialización

El estudio del propósito de los artículos revisados ​en el estudio actual reveló que los autores aplicaron DL y métodos para estudiar el
comportamiento del cliente. Es por eso que estos artículos se clasifican en un grupo etiquetado como marketing. Como se presenta en la
Tabla 4, 2 de los estudios han aplicado un único método DL y tres de ellos usaron un método DL híbrido. Además, estos estudios utilizan
varias fuentes de datos, como series de tiempo de clientes, estudios de casos y redes sociales. Por ejemplo, Paolanti et al. [53] emplean a
DCNN para desarrollar un robot móvil, denominado ROCKy, para analizar los mapas de calor de la tienda en tiempo real de los estantes de
las tiendas minoristas para detectar actividades fuera de stock (SOOS) y promocionales, durante las horas de trabajo. Dingli, Marmara, y
Fournier [54] estaban buscando soluciones para encontrar los patrones y características entre los datos transaccionales para predecir la
rotación de clientes dentro de la industria minorista. Para hacerlo, comparan el rendimiento de CNN y RBM y descubrieron que el RBM
alcanzado superó en la predicción de abandono de clientes.

Tabla 3. Aplicación de algoritmos de ciencia de datos en marketing

Métodos de
Solicitud Fuente de datos Objetivo de la investigación Fuente
modelado

Series de tiempo
Ładyżyński et al.
RF - DNN datos de Comportamiento del cliente
[55]
clientes
Series de tiempo

RF datos de Comportamiento del cliente Ullah y col. [56]

clientes
Detección de estante fuera de
Márketing
stock (SOOS) y
DCNN Información primaria Paolanti y col. [53]
Actividades de
promoción
RNNs- CNNs Redes sociales Análisis de los sentimientos Agarwal [57]
Ardabili y col.
SN-CFM Redes sociales Comportamiento del cliente
[58]
RBM Información primaria Comportamiento del cliente Dingli y col. [54]

Por otro lado, RF-DNN, RNN-CNN y SN-CFM son modelos híbridos que los investigadores propusieron para estudiar el
comportamiento del cliente. Ładyżyński et al. [55], por ejemplo, utilizando los métodos Random Forest (RF) y DNN y los datos
transaccionales históricos de los clientes proponen un modelo híbrido que puede predecir la disposición de los clientes a comprar productos
de crédito de los bancos. Ullah y col. [56] utilizan el algoritmo de RF para predecir la rotación de clientes y utilizan sus resultados para
formular estrategias para la gestión de las relaciones con los clientes a fin de evitar los abandonos. Ullah y col. [56] explican que la
combinación de clasificación de abandono utilizando el algoritmo de RF y la creación de perfiles de clientes mediante el agrupamiento de
k-means aumentó el rendimiento de su modelo. Agarwal [57] integró RNN y CNN para desarrollar un modelo para el análisis de
sentimientos. Según Agarwal [57], El análisis de sentimientos es el mejor enfoque para obtener los comentarios de los clientes. Probó su
modelo utilizando los datos de las redes sociales y cree que el resultado del análisis de opinión brinda orientación al negocio para mejorar
la calidad de su servicio y
presenta evidencias para las nuevas empresas para mejorar la experiencia del cliente. Shamshoddin y col. [58] proponen SN-CFM para predecir las

preferencias del consumidor de acuerdo con la similitud de las características de los usuarios y los productos que se adquieren de Internet de las cosas

y las redes sociales.

3.1.3 Comercio electrónico

Otra categoría que surgió después de revisar los artículos se denomina Comercio electrónico, donde los autores emplearon modelos
de ciencia de datos para abordar problemas en el sector del comercio electrónico. En la Tabla 5 se presenta un resumen de estos estudios.
Lei [59], basado en el modelo GRU, diseña un modelo de evaluación de la calidad de la inversión en redes neuronales para respaldar la
toma de decisiones relacionadas con la inversión en comercio electrónico. Según Lei [59], su modelo propuesto es capaz de evaluar
diferentes datos de índice que brindan una mejor imagen a los inversores. Cai y col. [60] utilizan el aprendizaje de refuerzo profundo para
desarrollar un algoritmo para abordar la asignación de problemas de impresión en sitios web de comercio electrónico, como Taobao, eBay
y Amazon. En este algoritmo, los compradores se asignan a los vendedores en función de las impresiones del comprador y las estrategias
del vendedor de manera que se maximicen los ingresos de la plataforma. Para hacerlo, aplicaron GRU y su hallazgo muestra que GRU
supera el profundo "Gradiente de Política Determinista (DDPG)". Ha, Pyo, Kim [61] aplican RNN para desarrollar una red de categorización
profunda (DeepCN) para la categorización de artículos en el comercio electrónico. La categorización de elementos se refiere a clasificar la
categoría de elementos de la hoja a partir de sus metadatos. Utilizan RNN para generar características a partir de metadatos de texto y
categorizar los elementos en consecuencia. Wang, Mo y Tseng. [62] utiliza RNN para desarrollar un sistema personalizado de
recomendación de productos en sitios web de comercio electrónico. El resultado de probar su modelo revela el rendimiento superior de
RNN a K vecinos más cercanos (KNN). Wu y Yan [63] afirman que la suposición principal de los modelos de recomendación de producción
actuales para los sitios web de comercio electrónico es que todos los datos históricos de los usuarios se registran, mientras que en la
práctica muchas plataformas no registran dicha información.

Tabla 4. Aplicación de algoritmos de ciencia de datos en comercio electrónico

Modelado de aplicaciones Fuente de datos Objetivo de la investigación Fuente

Métodos
Modelo de evaluación de
GRU Series de tiempo financieras Lei [59]
calidad de inversión

Asignación de impresiones
GRU Serie temporal de clientes Cai y col. [60]
Problema
Comercio electrónico RNN Información primaria Categorización de artículos Ha y col. [61]
Recomendación de
RNN Información primaria Wang y col. [62]
producto
Recomendación Wu y Yan
Serie temporal de clientes de LWDNN
de producto [63]

3.1.4 Criptomoneda

El proceso de toma de decisiones relacionado con la inversión en las criptomonedas es similar a la inversión en el mercado de
valores, donde la predicción del valor futuro es muy determinante y efectiva en las decisiones de inversión. La aplicación de modelos de
aprendizaje automático y DL para predecir las tendencias de los precios de las criptomonedas es un problema de investigación atractivo
que está surgiendo en la literatura (ver Tabla 6). Lahmiri y Bekiros [64], por ejemplo, aplicaron métodos de aprendizaje profundo para la
predicción del precio de las criptomonedas, incluidos Bitcoin, Digital Cash y Ripple. Comparan el rendimiento predictivo de LSTM y GRNN.
Su hallazgo revela que el modelo LSTM tiene un mejor rendimiento en sus estudios de caso en comparación con GRNN. Altan, Karasu, y
Bekiros [65] afirman que la integración de LSTM y la transformación empírica de wavelet (EWT) mejoran el rendimiento de LSTM en la
predicción del precio de la moneda digital. En este estudio, Altan et al. (2019) prueban su modelo propuesto utilizando los datos de las
series de tiempo Bitcoin, Ripple, Digital Cash y Litecoin. Jiang y Liang [66] desarrollan una CNN
modelo para predecir el precio de Bitcoin como ejemplo de criptomoneda. Capacitan su modelo propuesto mediante datos históricos de los precios de

los activos financieros y la producción de su modelo fue diseñada para ser la ponderación de la cartera del conjunto.

Tabla 5. Aplicación de algoritmos de ciencia de datos en Criptomoneda

Modelado de aplicaciones Fuente de datos Objetivo de la investigación Fuente

Métodos
Comparación

de LSTM

con Tiempo financiero Predicción de precios de Lahmiri y Bekiros

GRNN Serie criptomonedas [64]
Criptomoneda
LSTMEWT Tiempo financiero Predicción de precios de
Serie criptomonedas Altana y col. [sesenta y cinco]

Tiempo financiero Predicción de precios de

CNN Serie criptomonedas Jiang y Liang [66]

3.1.5 Predicción de quiebra corporativa

La predicción de bancarrota corporativa se ha convertido en una herramienta importante para evaluar la situación financiera futura de
las empresas. Se recomienda ampliamente utilizar métodos basados ​en aprendizaje automático para abordar los problemas de predicción
de bancarrota. Para abordar la predicción de bancarrota corporativa, Chen, Chen, Shi [67] utilizan estrategias de ensamble de embolsado y
refuerzo y desarrollan dos modelos de Bagged-pSVM y Boosted-pSVM. Utilizando conjuntos de datos de UCI y LibSVM, prueban sus
modelos y explican que las estrategias de aprendizaje conjunto aumentaron el rendimiento de los modelos en la predicción de bancarrota.
Lin, Lu y Tsai [68] creen que encontrar la mejor combinación de selección de características y técnicas de clasificación mejora el
rendimiento de predicción de los modelos de predicción de bancarrota. Sus resultados revelan que el algoritmo genético como el método de
selección de características basado en envoltorio y la combinación del algoritmo genético con los ingenuos Bayes y los clasificadores de
máquinas de vectores de soporte tuvieron un desempeño predictivo notable. Lahmiri y col. [69], para desarrollar un modelo preciso para
pronosticar la bancarrota corporativa, compare el rendimiento de diferentes sistemas de conjuntos de AdaBoost, LogitBoost, RUSBoost,
subespacio y embolsado. Su hallazgo revela que ese modelo AdaBoost ha sido efectivo en términos de procesamiento de datos a corto
plazo y bajo error de clasificación, y complejidad limitada. Faris y col. [70] investigan la combinación de técnicas de remuestreo
(sobremuestreo) y métodos de elección de características múltiples para mejorar la precisión de los métodos de predicción de bancarrota.
Según sus resultados, El empleo de la técnica de sobremuestreo SMOTE y el método de conjunto AdaBoost que utiliza el árbol REP
proporciona resultados prometedores confiables para la predicción de bancarrota. Un resumen de estos artículos de investigación se
presenta en la Tabla 7.

Tabla 6. Aplicación de algoritmos de ciencia de datos en la predicción de quiebras corporativas

Solicitud Métodos de modelado Fuente de datos Fuente

Conjuntos de datos UCI y

Bagged-pSVM y BoostedpSVM
LibSVM Chen y col. [67]

Crédito australiano, alemán

Predicción de
Algoritmo genético con los clasificadores Naïve crédito,
bancarrota
Bayes y SVM y Taiwán Lin y col. [68]

conjuntos de datos de

bancarrota

AdaBoost Universidad de Lahmiri y col. [69]

 California Irvine

(UCI) Repositorio

de Machine Learning

SMOTE- AdaBoost- Árbol REP Base de datos Infotel Faris y col. [70]

3.2. Métodos de aprendizaje profundo

Los modelos DL están estructurados en base a la red neuronal artificial y los algoritmos modernos de aprendizaje profundo enraizados en el trabajo de Hinton et al. [71] Hinton y

col. [71] desarrollan, por primera vez, un enfoque de dos pasos en el que los algoritmos de aprendizaje profundo se entrenan primero y luego ajustan el modelo en un proceso de

retroceso. La ventaja de los modelos DL en comparación con otros modelos ML es que los modelos DL pueden identificar eficazmente características y representaciones de alto nivel

(las salidas) de una gran muestra de datos (entradas). Empleando un pre-entrenamiento no supervisado y un enfoque de ajuste supervisado, los modelos de aprendizaje profundo

extraen características jerárquicas de las entradas para clasificar los patrones de los datos [72]. La capacidad de los algoritmos de DL en la predicción y la búsqueda de patrones entre

los datos sin procesar ha atraído la atracción de muchos investigadores de diversos campos. Los investigadores de economía han aplicado modelos DL por una variedad de razones,

tales como la predicción del precio de las acciones (por ejemplo, [1618]) y el pronóstico del comportamiento del consumidor (por ejemplo, [54]), etc. LSTM, CNN y DNN son,

respectivamente, los modelos DL más aplicados entre los base de datos del estudio. LSTM se aplica a la predicción del precio de las acciones [16-18], la gestión de la cartera [19], el

comercio automatizado de acciones [20] y la predicción del precio de las criptomonedas [64]. Curiosamente, el método LSTM solo se ha aplicado para encontrar los patrones entre los

datos de series de tiempo financieras. CNN y DNN son, respectivamente, los modelos DL más aplicados entre la base de datos del estudio. LSTM se aplica a la predicción del precio de

las acciones [16-18], la gestión de la cartera [19], el comercio automatizado de acciones [20] y la predicción del precio de las criptomonedas [64]. Curiosamente, el método LSTM solo se

ha aplicado para encontrar los patrones entre los datos de series de tiempo financieras. CNN y DNN son, respectivamente, los modelos DL más aplicados entre la base de datos del

estudio. LSTM se aplica a la predicción del precio de las acciones [16-18], la gestión de la cartera [19], el comercio automatizado de acciones [20] y la predicción del precio de las

criptomonedas [64]. Curiosamente, el método LSTM solo se ha aplicado para encontrar los patrones entre los datos de series de tiempo financieras.

Al igual que LSTM, el algoritmo CNN se aplica principalmente para datos de series de tiempo financieras para la predicción del precio de las

acciones [30, 35, 37, 47] y la predicción del precio de las criptomonedas [66]. El algoritmo CNN también se utiliza para analizar datos de redes sociales con

el fin de analizar los sentimientos [41]. El algoritmo DNN, del mismo modo LSTM, solo se ha aplicado para analizar datos financieros de series temporales

para predecir el precio de las acciones [29,

32, 46] y la predicción de tendencia del índice S&P 500 [43]. El algoritmo GRU se aplicó en la sección de comercio electrónico para analizar series de

tiempo financieras [59] y series de tiempo de clientes [60]. RNN es un algoritmo DL aplicado para analizar datos primarios para la categorización de

artículos [61] y la recomendación de producto [62]. LSDL y MACN son algoritmos DL que se utilizan para analizar datos financieros de series

temporales para predecir el precio de las acciones [38, 44]. En última instancia, se descubrió que DCNN y RBM solicitaron el análisis de datos

primarios para las actividades promocionales [57] y el pronóstico del comportamiento del cliente [54], respectivamente (ver Tabla 8).

Tabla 7. Lista de métodos únicos de aprendizaje profundo empleados en campos relacionados con la economía

Aplicaciones

Método Valores MI- Frecuencia Referencias

Mercado Criptomoneda de marketing Comercio

Moon y Kim [16],
Fischer y
Krauss [17], Tamura
y col. [18], Wang y col.
LSTM X - X - 66
[19], Fister y col. [20],
Lahmiri y Bekiros [64]

Gonçalves y col. [30],

Sim Kim y Ahn [35],
CNN X - X - 66 Tashiro et al. [37],
Sohangir y col. [41], Dingli
 y Fournier [47], Jiang y
Liang
[66]
Go y Hong [29], Song et al.
[32], Das y col. [43], Chong
DNN X - - - 44
y col.
Alabama. [46]

- - - Lei [59], Cai y col.

GRU X 2
[60]
- - - Ha y col. [61], Wang
RNN X 2
y col. [62]
- - - Sirignano y Cont
LSDL X 1
[38]

MACN X - - - 1 Kim y col. [44]

DCNN - X - - 1 Paolanti y col. [53]

RBM - X - - 1 Dingli y col. [54]

3.3. Métodos híbridos de aprendizaje profundo

Las redes neuronales profundas híbridas son arquitecturas que aplican componentes generativos y discriminativos al mismo tiempo.
Los modelos híbridos combinan modelos de aprendizaje automático o combinan un modelo de aprendizaje automático con un modelo de
optimización para mejorar la predictividad del modelo de aprendizaje automático [3]. Los resultados de la revisión de la literatura en el
estudio revelan que los modelos híbridos de aprendizaje profundo (HDL) se aplican ampliamente en el campo de la economía. Por otro lado,
la Figura 4 ilustra que la precisión de dichos modelos es mayor que la de los modelos DL individuales. Los diversos modelos de HDL
utilizados entre los artículos revisados ​en este estudio se resumen en la Tabla 9.

Tabla 8. Lista de modelos híbridos de aprendizaje profundo empleados en campos relacionados con la economía

Solicitud El método híbrido Fuente

TDFA-DRL Lei y col. [26]
MB-LSTM Vo y col. [24]
GRU - CNN Sabeena y Venkata Subba Reddy [27]
AO-MDNN Das y Mishra [28]
OLSTM-STI Agrawal y col. [21]
DNN-SLR Moews y col. [31]
LSTM-SVR Fang y col. [25]
MFNN (CNN y RNN) Long y col. [33]
Bolsa de Valores
LSTM-ITS Agrawal y col. [36]
ELM-AE Preeti y col. [40]
TS-GRU Lien Minh y col. [42]
WA-LSTM Yan y Ouyang [23]
(2D) 2PCA - DNN Singh y Srivastava [48]
WT-SAEs-LSTM Bao y col. [22]
RNNs- CNNs Agarwal [57]
SN-CFM Shamshoddin, y col. [58]
Comercio electrónico LWDNN Wu y Yan [63]
Criptomoneda LSTM-EWT Altan y col. [sesenta y cinco]

3.4. Conjunto de algoritmos de aprendizaje automático

Los algoritmos de aprendizaje automático de Ensemble utilizan múltiples algoritmos de aprendizaje para mejorar los procesos de capacitación y aumentar el

aprendizaje a partir de los datos [1]. Hay muchas evidencias en la literatura de que los clasificadores de conjuntos y los sistemas de aprendizaje de conjuntos han

sido muy efectivos en los datos de series de tiempo financieras. por

ejemplo, Rajesh et al. [34] combinación de clasificadores RF, SVM y vecinos K, Weng et al. [39] utilizan el conjunto de regresión de la red
neuronal, y Faghihi-Nezhad y Minaei-Bidgoli [45] aplican un ANN-EL para predecir los valores de las existencias. Además, Chen et al. [67],
Lin y col. [68], Lahmiri y col. [69] aplicaron respectivamente los modelos Bagged-pSVM y Boosted-pSVM, algoritmo genético con el ingenuo
Bayes y SVM, SMOTE-AdaBoost-REP Tree para predecir la bancarrota corporativa. Ullah y col. [56] también aproveche las estrategias de
aprendizaje conjunto y use un algoritmo de RF para predecir los clientes abandonados. La Tabla 10 resume estos estudios que han
utilizado un modelo de conjunto.

Tabla 9. Lista de modelos de conjunto aplicados en la base de datos en el estudio actual

Solicitud El método de conjunto Fuente

RF-SVM-K-vecinos Rajesh y col. [34]
NNRE Weng y col. [39]
Bolsa de Valores
ANN-EL Faghihi-Nezhad y Minaei-Bidgoli
[45]
Bagged-pSVM y Boosted-
pSVM Chen y col. [67]
Quiebra
Algoritmo Genético con el
corporativa
Naïve Bayes y SVM Lin y col. [68]
SMOTE- AdaBoost- Árbol REP Lahmiri y col. [69]
RF - DNN Ładyżyński et al. [55]
Márketing
RF Ullah y col. [56]

4. Discusión

Los resultados de este artículo revelaron que los avances de la ciencia de datos han contribuido en cuatro áreas diferentes de la
disciplina económica que son el mercado de valores, el marketing, la bancarrota corporativa, el comercio electrónico y la criptomoneda. Reveló
que los algoritmos de ciencia de datos se aplicaron principalmente para datos de series de tiempo financieras para pronosticar precios de
acciones en los que el modelo LSTM ha sido el modelo más popular para analizar series de tiempo financieras. CNN y DNN han sido
respectivamente los algoritmos más aplicados entre los artículos revisados ​en este estudio. En general, 35 algoritmos únicos empleados entre
50 artículos revisados ​(ver Figura 3) en los que 9 de ellos usaron 9 modelos DL únicos (ver Tabla 8), 18 modelos HDL (ver Tabla 9) y 8
modelos de conjunto (ver tabla 10).
 LSTM DNN RBM
AdaBoost- REP RF 66

GA-NB-SVM SMOTE- LSDL

44
MACN

Bagged-pSVM RNN

NNRE ANN-EL GRU

2 66
111 CNN

2 DCNN
1
1111
111 111111
1 1 1 1 11111111
1

TDFA-DRL

MB-LSTM

GRU - CNN
RF-SVM-K-vecinos
AO-MDNN
SN-CFM LWDNN LSTM-EWT
O-LSTM-STI
WT-SAEs-LSTM RF - DNN RNNs- CNNs
LSTM-STIs DNN-SLR LSTM-SVR
MFNN
TS-GRU WA-LSTM (2D) 2PCA - DNN

ELM-AE

Figura 3. Lista de todos los modelos de aprendizaje profundo e híbrido de aprendizaje profundo aplicados en campos relacionados con la economía

En otras palabras, casi el 51% de los modelos han sido modelos híbridos, lo que representa una tendencia en la literatura a utilizar
modelos híbridos en economía. Esto puede deberse a que el poder predictivo de los modelos híbridos es mayor que el de los modelos DL
únicos. Por lo tanto, Root Mean Squared Error (RMSE), que es una de las métricas de precisión de los modelos de aprendizaje automático, de
todos estos modelos fueron investigados y mostrados en la Figura 4. Menos RMSE, más la precisión del modelo [4]. La Figura 4 muestra que
el RMSE informado para los modelos DL individuales ha sido más alto que los modelos DL híbridos. Este hallazgo es consistente con las
afirmaciones hechas en la literatura (por ejemplo, [3-5]) y también puede explicar por qué el uso de modelos híbridos se ha puesto de moda.

Figura 4. Comparación de valores RMSE de modelos híbridos de aprendizaje profundo y aprendizaje profundo

5. Conclusión
 El desarrollo de algoritmos de análisis y predicción de alta precisión ha hecho que la aplicación de la ciencia de datos a varias disciplinas, incluidas las disciplinas relacionadas

con la economía, sea muy atractiva. Los resultados de este estudio muestran que, en primer lugar, el avance de los algoritmos de ciencia de datos se produjo en tres grupos de modelos

de aprendizaje profundo, modelos de conjunto y modelos híbridos. Estos tres modelos fueron investigados en cinco áreas diferentes, a saber: 1) mercado de valores, en el que la

predicción del precio de las acciones era el objetivo principal de la mayoría de los documentos, 2) marketing, en el que los objetivos de los documentos eran principalmente estudiar el

comportamiento del cliente , 3) bancarrota corporativa, 4) criptomoneda, que es una nueva tendencia en el campo económico donde los investigadores intentan predecir el precio del

dinero digital, 5) comercio electrónico, en el que los modelos DL se aplican principalmente para aumentar el rendimiento de los sitios web de comercio electrónico, por ejemplo, por

categorización de artículos y recomendación de productos. Este estudio proporciona elaboradamente los algoritmos de los modelos de aprendizaje profundo utilizados en la economía, la

fuente de datos y el propósito del uso de la ciencia de datos en cada categoría. Los resultados revelan que el uso de modelos híbridos ha aumentado debido a la mayor precisión de

predicción que los modelos individuales de aprendizaje profundo. Los modelos LSTM, CNN y DNN han sido respectivamente los modelos más aplicados en la literatura para analizar

datos de series de tiempo financieras y predecir el precio de las acciones. Además, se encuentra que más del 51% de los modelos aplicados en la base de datos de esta investigación

son modelos híbridos. Los resultados de la comparación de los valores RMSE de los modelos híbridos de aprendizaje profundo y los modelos de aprendizaje profundo revelaron que los

modelos híbridos muestran un notable bajo nivel de error, lo que indica que dichos modelos tienen una mayor precisión de predicción. Por lo tanto, se recomienda aplicar modelos

híbridos para modelar y optimizar objetivos en los cuatro campos de estudio en esta investigación. En pocas palabras, la contribución de este estudio es presentar el avance de la ciencia

de datos en las tres secciones de métodos de aprendizaje profundo, métodos híbridos de aprendizaje profundo y modelos conjuntos de aprendizaje automático en campos relacionados

con la economía. Este estudio proporciona una base para los estudios futuros y proporciona información para que los profesionales seleccionen el modelo más apropiado para sus

aplicaciones específicas. Se recomienda aplicar modelos híbridos para modelar y optimizar objetivos en los cuatro campos de estudio en esta investigación. En pocas palabras, la

contribución de este estudio es presentar el avance de la ciencia de datos en las tres secciones de métodos de aprendizaje profundo, métodos híbridos de aprendizaje profundo y

modelos conjuntos de aprendizaje automático en campos relacionados con la economía. Este estudio proporciona una base para los estudios futuros y proporciona información para que

los profesionales seleccionen el modelo más apropiado para sus aplicaciones específicas. Se recomienda aplicar modelos híbridos para modelar y optimizar objetivos en los cuatro

campos de estudio en esta investigación. En pocas palabras, la contribución de este estudio es presentar el avance de la ciencia de datos en las tres secciones de métodos de

aprendizaje profundo, métodos híbridos de aprendizaje profundo y modelos conjuntos de aprendizaje automático en campos relacionados con la economía. Este estudio proporciona una

base para los estudios futuros y proporciona información para que los profesionales seleccionen el modelo más apropiado para sus aplicaciones específicas. y modelos de aprendizaje

automático de conjuntos en campos relacionados con la economía. Este estudio proporciona una base para los estudios futuros y proporciona información para que los profesionales seleccionen el modelo más apropia

Contribuciones de autor: Conceptualización, AM; investigación, SN; escritura: preparación del borrador original, SN;

metodología, AM; redacción: revisión y edición, AM y PG; visualización, SN; validación, AM; supervisión y control de resultados, PG

Fondos:

Agradecimientos: Conflictos de intereses: Los autores declaran no tener ningún conflicto de

intereses.

Referencias

1) Ardabili, S., A. Mosavi y AR Várkonyi-Kóczy. Avances en el modelado de aprendizaje automático revisando métodos híbridos y de
conjunto. en la Conferencia Internacional sobre Investigación y Educación Global. 2019. Springer.

2) Torabi, M., et al., Una técnica híbrida de agrupamiento y clasificación para pronosticar el consumo de energía a corto plazo.
Progreso ambiental y energía sostenible, 2019. 38 ( 1): p. 66-76.
3) Mosavi, A. y M. Edalatifar. Un algoritmo híbrido neuro-difuso para la predicción de la evapotranspiración de referencia. en la
Conferencia Internacional sobre Investigación y Educación Global. 2018. Springer.
4) Mosavi, A., et al., Predicción del reactor de columna de burbuja de entradas múltiples utilizando un nuevo modelo híbrido de dinámica de fluidos

computacional y aprendizaje automático. Aplicaciones de ingeniería de mecánica de fluidos computacional, 2019. 13 ( 1): p. 482-492.

5) Torabi, M. y col. Un enfoque híbrido de aprendizaje automático para la predicción diaria de la radiación solar. en la Conferencia Internacional

sobre Investigación y Educación Global. 2018. Springer.

6) Fujiyoshi, H., T. Hirakawa y T. Yamashita, reconocimiento de imágenes basado en el aprendizaje profundo para la conducción autónoma. IATSS

Research, 2019.

7) Mathis, MW y A. Mathis, Herramientas de aprendizaje profundo para la medición del comportamiento animal en neurociencia. Opinión
actual en neurobiología, 2020. 60: pags. 1-11.
8) Wang, H., et al., Una revisión del aprendizaje profundo para el pronóstico de energías renovables. Conversión y gestión de energía, 2019. 198: pags.

111799.

9) Durairaj, M. y BH Krishna Mohan, una revisión de dos décadas de híbridos de aprendizaje profundo para la predicción de series de tiempo

financieras. Revista Internacional de Tecnologías Emergentes, 2019. 10 ( 3): p. 324-331.

10. Guermoui, M., et al., Una revisión exhaustiva de modelos híbridos para el pronóstico de la radiación solar. Journal of Cleaner
Production, 2020: p. 120357.
11) Pradeepkumar, D. y V. Ravi, Híbridos informáticos blandos para la predicción de la tasa FOREX: una revisión exhaustiva. Computers &

Operations Research, 2018. 99: pags. 262-284.

12. Hosni, M., et al., Revisión de métodos de clasificación de conjuntos en cáncer de mama. Métodos y programas informáticos en biomedicina,
2019.
13) Song, X., et al., Codificación dispersa y conjunto de clasificador basado en aprendizaje de múltiples instancias para la categorización de imágenes.

Procesamiento de señales, 2013. 93 ( 1): p. 1-11.

14. Chung, Y.-W., et al., Algoritmo basado en aprendizaje automático Ensemble para la predicción del comportamiento del usuario de vehículos eléctricos. Energía

Aplicada, 2019. 254: pags. 113732.

15. AlKandari, M. e I. Ahmad, Predicción de generación de energía solar utilizando el enfoque de conjunto basado en el aprendizaje profundo y
los métodos estadísticos. Informática Aplicada e Informática, 2019.
16. Moon, KS y H. Kim, Desempeño del aprendizaje profundo en la predicción de la volatilidad del mercado de valores. Computación económica y
estudios e investigación sobre cibernética económica, 2019. 53 ( 2): p. 77-92.

17) Fischer, T. y C. Krauss, Aprendizaje profundo con redes de memoria a corto y largo plazo para predicciones del mercado financiero.

European Journal of Operational Research, 2018. 270 ( 2): p. 654-669.

18) Tamura, K., et al., Modelo para evaluación de valores de existencias por modelo de conjunto usando aprendizaje profundo. Transacciones de la

Sociedad Japonesa de Inteligencia Artificial, 2018. 33 ( 1)

19. Wang, W., et al., Formación de cartera con preselección utilizando aprendizaje profundo de datos financieros a largo plazo. Sistemas expertos

con aplicaciones, 2020. 143)

20) Fister, D., et al., Aprendizaje profundo para el comercio del mercado de valores: ¿una estrategia comercial superior? Neural Network World, 2019. 29 ( 3): p.

151-171.

21. Agrawal, M., AU Khan y PK Shukla, predicción del precio de las acciones mediante indicadores técnicos: un modelo predictivo que utiliza un
aprendizaje profundo óptimo. Revista Internacional de Tecnología e Ingeniería Recientes,
2019. 8 ( 2): p. 2297-2305.
22) Bao, W., J. Yue e Y. Rao, un marco de aprendizaje profundo para series de tiempo financieras que utilizan autoencoders apilados y memoria

a corto y largo plazo. PLoS ONE, 2017. 12 ( 7)

23) Yan, H. y H. Ouyang, Predicción de series de tiempo financieras basadas en el aprendizaje profundo. Comunicaciones personales inalámbricas, 2018. 102

( 2): p. 683-700.

24. Vo, NNY, et al., Aprendizaje profundo para la toma de decisiones y la optimización de inversiones y carteras socialmente responsables.
Sistemas de soporte de decisiones, 2019. 124)
25) Fang, Y., J. Chen y Z. Xue, Investigación sobre estrategias cuantitativas de inversión basadas en el aprendizaje profundo. Algoritmos, 2019. 12 ( 2)

26) Lei, K., et al., Aprendizaje de refuerzo conjunto y profundo basado en el tiempo para la representación de señales financieras y el
comercio algorítmico. Sistemas expertos con aplicaciones, 2020. 140
27) Sabeena, J. y P. Venkata Subba Reddy, un modelo de red de adversarios entusiasmado de aprendizaje profundo modificado para predecir las

fluctuaciones financieras en el mercado de valores. Revista Internacional de Ingeniería y Tecnología Avanzada, 2019. 8 ( 6): p. 2996-3000.

28. Das, S. y S. Mishra, Marco avanzado de aprendizaje profundo para la predicción del valor de las acciones. Revista internacional de tecnología
innovadora y exploración de ingeniería, 2019. 8 ( 10): p. 2358-2367.
29. Go, YH y JK Hong, Predicción del valor de las acciones utilizando un algoritmo de coincidencia de patrones basado en el aprendizaje profundo. Revista

Internacional de Tecnología e Ingeniería Recientes, 2019. 8 ( 2 Número especial 6): p. 31-35.

30. Gonçalves, R., et al., Aprendizaje profundo en mercados de intercambio. Política y economía de la información, 2019. 47:

pags. 38-51.

31. Moews, B., JM Herrmann y G. Ibikunle, Aprendizaje profundo basado en correlación retrasada para la predicción direccional de cambio de tendencia en

series de tiempo financieras. Sistemas expertos con aplicaciones, 2019. 120: pags. 197-206.

32) Song, Y., JW Lee y J. Lee, un estudio sobre el filtrado novedoso y la relación entre las características de entrada y los vectores objetivo en un modelo de

aprendizaje profundo para la predicción del precio de las acciones. Inteligencia Aplicada, 2019. 49 ( 3): p. 897-

911.

33) Long, W., Z. Lu y L. Cui, Ingeniería de características basada en el aprendizaje profundo para la predicción del movimiento del precio de las acciones. Sistemas

basados ​en el conocimiento, 2019. 164: pags. 163-173.

34) Rajesh, P., et al., Predicción de tendencia de stock utilizando técnicas de aprendizaje Ensemble en python. Revista internacional de

tecnología innovadora e ingeniería de exploración 2019. 8 ( 5): p. 150-155.

35) Sim, HS, HI Kim y JJ Ahn, ¿es aplicable el aprendizaje profundo para el reconocimiento de imágenes a la predicción del mercado de valores?

Complejidad, 2019. 2019.

36. Agrawal, M., AU Khan y PK Shukla, predicción de precios de índices bursátiles basada en indicadores técnicos que utilizan el modelo de aprendizaje

profundo. Revista Internacional de Tecnologías Emergentes, 2019. 10 ( 2): p. 186-194.

37) Tashiro, D., et al., Codificación de información de pedidos de alta frecuencia y predicción del precio de las acciones a corto plazo mediante un aprendizaje

profundo. Finanzas cuantitativas, 2019. 19 ( 9): p. 1499-1506.

38) Sirignano, J. y R. Cont. Características universales de la formación de precios en los mercados financieros: perspectivas desde el aprendizaje profundo.

Finanzas cuantitativas, 2019. 19 ( 9): p. 1449-1459.

39. Weng, B., et al., Predicción de precios de acciones a corto plazo utilizando métodos conjuntos y fuentes de datos en línea. Sistemas expertos con

aplicaciones, 2018. 112: pags. 258-273.

40) Preeti, et al., Predicción de series de tiempo financieras utilizando una red de aprendizaje profundo, en Comunicaciones en Informática y Ciencias de

la Información. 2019, Springer Verlag. pags. 23-33.

41) Sohangir, S., et al., Big Data: Deep Learning para el análisis de sentimientos financieros. Journal of Big Data, 2018.

5 ( 1)
42) Lien Minh, D., et al., Enfoque de aprendizaje profundo para la predicción de tendencias de existencias a corto plazo basado en una red de unidades recurrentes con

compuerta de doble flujo. Acceso IEEE, 2018. 6: pags. 55392-55404.

43. Das, SR, K. Mokashi y R. Culkin, ¿Son los mercados verdaderamente eficientes? Experimentos con algoritmos de aprendizaje profundo para la predicción

del movimiento del mercado. Algoritmos, 2018. 11 ( 9)

44. Kim, JJ, et al., Red colaborativa de múltiples agentes basada en el aprendizaje de refuerzo profundo para el comercio de acciones distribuido.

International Journal of Grid and Distributed Computing, 2018. 11 ( 2): p. 11-20.

45 Faghihi-Nezhad, M.-T. y B. Minaei-Bidgoli, Predicción del mercado de valores utilizando un modelo inteligente basado en el
aprendizaje conjunto. Ingeniería Industrial y Sistemas de Gestión, 2018. 17 ( 3): p. 479-496.
46. ​Chong, E., C. Han y FC Park, Redes de aprendizaje profundo para el análisis y la predicción del mercado de valores: metodología,

representaciones de datos y estudios de casos. Sistemas expertos con aplicaciones, 2017. 83: pags. 187-

205.

47. Dingli, A. y KS Fournier, Predicción de series de tiempo financieras: un enfoque de aprendizaje profundo. Revista Internacional de Aprendizaje

Automático y Computación, 2017. 7 ( 5): p. 118-122.

48) Singh, R. y S. Srivastava, predicción de existencias mediante el aprendizaje profundo. Herramientas y aplicaciones multimedia,

2017 76 ( 18): p. 18569-18584.

49. P. Ghamisi, B. Hofle y X. Zhu, fusión de datos hiperespectrales y LiDAR utilizando perfiles de extinción y red neuronal convolucional
profunda, IEEE Journal of Selected Topics in Applied Earth Observaciones and Remote Sensing, 2017, 10 (6): p . 3011-3024.

50. Y. Chen, H. Jiang, C. Li, X. Jia y P. Ghamisi, Extracción de características profundas y clasificación de imágenes hiperespectrales
basadas en redes neuronales convolucionales, IEEE Transactions on Geoscience and Remote Sensing, 2016, 54 (10 ): pags. 6232-6251.

51) P. Duan, X. kang, S. Li y P. Ghamisi, multicanal acoplado a pulsos basado en redes neuronales
visualización de imágenes hiperespectrales, 2019, doi: 10.1109 / TGRS.2019.2949427.

52) Aprendizaje profundo para la clasificación de imágenes hiperespectrales: una visión general, IEEE Transactions on Geoscience and Remote Sensing, 2019,

57 (9): p.6690-6709.

53) Paolanti, M., et al., Topografía minorista robótica mediante datos visuales y textuales de aprendizaje profundo. Robótica y Sistemas Autónomos,

2019. 118: pags. 179-188.

54. Dingli, A., V. Marmara y NS Fournier, Comparación de algoritmos de aprendizaje profundo para predecir la rotación de clientes dentro de una
industria minorista local. Revista Internacional de Aprendizaje Automático y Computación,
2017 7 ( 5): p. 128-132.
55) Ładyżyński, P., K. Żbikowski y P. Gawrysiak, Campañas de marketing directo en banca minorista con el uso de aprendizaje profundo y
bosques aleatorios. Sistemas expertos con aplicaciones, 2019. 134: pags. 28-35.
56. Ullah, I., et al., Un modelo de predicción de abandono utilizando bosque aleatorio: análisis de técnicas de aprendizaje automático para la predicción de abandono y la

identificación de factores en el sector de las telecomunicaciones. Acceso IEEE, 2019. 7: pags. 60134-

60149.

57. Agarwal, S., Análisis de sentimientos basado en el aprendizaje profundo: establecer la dimensión del cliente como elemento vital de la gestión
empresarial. Global Business Review, 2019.
58. Ardabili, Sina, Bertalan Beszédes, László Nádai, Károly Széll, Amir Mosavi y Felde Imre. "Análisis comparativo de modelos basados
​en neuro-difusos simples e híbridos para un sistema de control de aire acondicionado y ventilación de calefacción industrial".
preimpresión de arXiv arXiv: 2002.11042 (2020).
59) Lei, Z., Investigación y análisis de algoritmos de aprendizaje profundo para el modelo de soporte de decisiones de inversión en comercio electrónico.

Investigación de comercio electrónico, 2019.

60. Cai, Q. y col. Diseño de mecanismos de refuerzo para comercio electrónico. en Actas de la Conferencia World Wide Web 2018.
2018.
61. Ha, J.-W., H. Pyo y J. Kim. Categorización de artículos a gran escala en el comercio electrónico utilizando múltiples redes neuronales

recurrentes. en Actas de la 22ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos. 2016

62. Wang, Y., DY Mo y MM Tseng, el mapeo del cliente necesita diseñar parámetros en la parte delantera del diseño del producto mediante la aplicación de

aprendizaje profundo. Anales del CIRP, 2018. 67 ( 1): p. 145-148.

63. Wu, C. y M. Yan. Incorporación de información con reconocimiento de sesión para recomendación de productos de comercio electrónico. en Actas de

la ACM 2017 sobre conferencia sobre información y gestión del conocimiento. 2017

64) Lahmiri, S. y S. Bekiros, pronóstico de criptomonedas con redes neuronales caóticas de aprendizaje profundo. Caos, Solitones y
Fractales, 2019. 118: pags. 35-40.
65. Altan, A., S. Karasu y S. Bekiros, pronóstico de moneda digital con técnicas de procesamiento de señales bioinspiradas metaheurísticas
caóticas. Caos, Solitones y Fractales, 2019. 126: pags. 325-336.
66 Jiang, Z. y J. Liang. Gestión de cartera de criptomonedas con aprendizaje de refuerzo profundo. en 2017 Conferencia de sistemas
inteligentes (IntelliSys). 2017. IEEE.
67. Chen, Z., W. Chen e Y. Shi, Ensemble Learning con proporciones de etiqueta para la predicción de bancarrota. Sistemas expertos con
aplicaciones, 2020. 146: pags. 113155.
68) Lin, WC, YH Lu y CF Tsai, selección de características en modelos de predicción de quiebras basados ​en el aprendizaje individual y conjunto.

Sistemas expertos, 2019. 36 ( 1): p. e12335.

69) Lahmiri, S., et al., Evaluación del desempeño de los sistemas de aprendizaje conjunto en la clasificación de datos financieros.
Sistemas inteligentes en contabilidad, finanzas y gestión, 2020: p. 1-7.
70) Faris, H., et al., Mejora de la predicción de bancarrota financiera en una distribución de clase altamente desequilibrada utilizando
sobremuestreo y aprendizaje conjunto: un caso del mercado español. Progreso en Inteligencia Artificial, 2019: p. 1-23.

71. Hinton, GE y RR Salakhutdinov, Reducción de la dimensionalidad de los datos con redes neuronales. ciencia, 2006. 313 ( 5786): pág.
504-507.
72) Zhang, Q., et al., Una encuesta sobre aprendizaje profundo para big data. Information Fusion, 2018. 42: pags. 146-157.