Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Articulo en Es PDF
Articulo en Es PDF
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
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
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
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.
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.
3. Resultados
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.
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
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
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
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.
DNN
La red neuronal profunda (DNN) es el otro método DL, que se compone de múltiples niveles de operaciones no lineales, y cada
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
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
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
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
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
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.
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
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
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.
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.
de LSTM
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.
conjuntos de datos de
bancarrota
(UCI) Repositorio
de Machine Learning
SMOTE- AdaBoost- Árbol REP Base de datos Infotel Faris y col. [70]
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
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
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
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
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
Bagged-pSVM RNN
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:
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
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
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.
14. Chung, Y.-W., et al., Algoritmo basado en aprendizaje automático Ensemble para la predicción del comportamiento del usuario de vehículos eléctricos. Energía
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.
18) Tamura, K., et al., Modelo para evaluación de valores de existencias por modelo de conjunto usando aprendizaje profundo. Transacciones de la
19. Wang, W., et al., Formación de cartera con preselección utilizando aprendizaje profundo de datos financieros a largo plazo. Sistemas expertos
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
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
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
34) Rajesh, P., et al., Predicción de tendencia de stock utilizando técnicas de aprendizaje Ensemble en python. Revista internacional de
36. Agrawal, M., AU Khan y PK Shukla, predicción de precios de índices bursátiles basada en indicadores técnicos que utilizan el modelo de aprendizaje
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
38) Sirignano, J. y R. Cont. Características universales de la formación de precios en los mercados financieros: perspectivas desde el aprendizaje profundo.
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
40) Preeti, et al., Predicción de series de tiempo financieras utilizando una red de aprendizaje profundo, en Comunicaciones en Informática y Ciencias de
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
43. Das, SR, K. Mokashi y R. Culkin, ¿Son los mercados verdaderamente eficientes? Experimentos con algoritmos de aprendizaje profundo para la predicción
44. Kim, JJ, et al., Red colaborativa de múltiples agentes basada en el aprendizaje de refuerzo profundo para el comercio de acciones distribuido.
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
48) Singh, R. y S. Srivastava, predicción de existencias mediante el aprendizaje profundo. Herramientas y aplicaciones multimedia,
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,
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.
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
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.
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.