Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/26428439
CITATIONS READS
0 2,676
4 authors, including:
Joaquín A. Pacheco
Universidad de Burgos
109 PUBLICATIONS 1,045 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Metaheuristics in Multiobjetive Optmization. Applications to Public Transportation and other logistics problems View project
All content following this page was uploaded by Joaquín A. Pacheco on 17 October 2014.
Resumen
La metodología de las Redes Neuronales Artificiales, está siendo usada con
profusión, dentro del campo de la Economía, hasta tal punto que existe una publicación
bimensual, que trata específicamente estas aplicaciones a los mercados financieros:
Neurove$t Journal. En este trabajo, se presentan las principales líneas de investigación
existentes, a continuación la que nosotros estamos siguiendo, con algunos resultados
iniciales, para finalizar con las líneas a seguir y una selección bibliográfica.
1
Universidad de Burgos.
2
Fundamentalmente: lógica borrosa, algoritmos genéticos y temple simulado.
1
García Güemes, A. y otros
El primer motivo surge del hecho de que en las primeras simulaciones efectuadas,
la metodología de las Redes se mostraba superior a las series temporales clásicas, cuando
estas series no tenían un fuerte componente estacionario; se pensó que eso mismo podría
ocurrir con los mercados financieros.
Así mismo, las Redes Neuronales permiten trabajar en principio más
cómodamente con modelos multiperiodo y multivariable , sin tener que preocuparse de
problemas como la multicolinealidad , ni tener la necesidad de especificar previamente el
tipo de relación funcional entre variables.
Para terminar, en los modelos de Redes se pueden introducir fácilmente
indicadores tanto chartistas como fundamentales.
En definitiva, se ha recurrido a las Redes Neuronales, ante el fracaso del análisis
clásico de las series temporales para este tipo de predicciones. También indicar que no se
han obtenido buenos resultados en las predicciones a corto plazo en mercados financieros,
ni parece muy posible que se logre. Además de lograrse, dudo mucho que el autor lo
publique, en lugar de utilizar sus resultados para hacerse rico.
Mejores resultados, se han obtenido en la predicción de quiebra de empresas, en
este caso utilizando tanto la red de propagación hacia atrás, como mapas
autoorganizativos.
En nuestro país, además de trabajos relativos a predicción en mercados
financieros, se han utilizado las Redes Neuronales, en predicción de precios, demanda de
turismo, predicción del paro…
En cuanto a los problemas de clasificación, las Redes representan una alternativa
al análisis Cluster, y se utilizan fundamentalmente los mapas autoorganizativos. El caso
más interesante que hemos visto para un caso español, es una organización de todos los
bancos, de forma que se pudo prever la quiebra de alguno de ellos.
2
V JORNADAS ASEPUMA
3
García Güemes, A. y otros
lineales como cuando no lo son. Bien es cierto, que las pruebas se han realizado
simulando vectores de entrada y salida, con lo que se podían generar todos los que fueran
precisos. En este sentido, creemos que si se dispone de un número pequeño de datos (en
relación al número de variables explicativas), puede hacerse necesario eliminar alguna de
ellas.
Como quiera que se pueden introducir, tantas variables de entrada como se desee,
siempre que se disponga del número de vectores de entrenamiento necesarios, y por otra
parte, cuando las relaciones entre las entradas y las salidas son lineales, se muestra
superior la función de transferencia identidad, hemos comenzado a utilizar Redes de
Expansión, para aprovechar estas dos circunstancias.
El funcionamiento de este tipo de redes, es el siguiente:
A partir de las variables de entrada, se generan con ellas un importante número de
funciones no lineales, de modo que los valores de estas funciones, sean a su vez valores
de entrada en la Red. Esto hace que el número de nodos de entrada, aumente
extraordinariamente. Sin embargo, si se han utilizado las funciones adecuadas, es muy
posible, que exista prácticamente una combinación lineal, entre las entradas y las salidas.
Si existe esa cuasi-combinación lineal, se puede eliminar la capa oculta de forma,
que se pueden atenuar significativamente los problemas derivados de la memorización, o
de la necesidad de disponer de un número muy elevado de vectores de aprendizaje.
Gráficamente, la arquitectura de la red sería la siguiente:
O1 OK OL
1 K L
1 J M
FUNCTIONAL EXPANSION.
1 I N
X1 XI XN
4
V JORNADAS ASEPUMA
Nivel_de_inventario_farmacéutico
Producción Ventas
consumo_medio_enfermo
tasa_real_consumo
Productividad_empleado Diferencia
inventario_deseado
Empleados
Contratación_despido demanda
tasa_de_gasto_ID
Gastos_en_ID
N=
TIEMPO_RETARDO
tasa_mortandad_enfermedad
infectados_por_contacto
tiempo_de_incubación
muertos_por_enfermedad
incubados enfermos
tasa_de_contacto
tasa_de_recuperación
sanos
población_total
nacimientos muertos
tasa_de_nacimientos tasa_mortandad_natural
Para utilizar esta red, hay que ser extraordinariamente cuidadoso en las variables
que se elijan, pues al aumentar su número, la red puede tener tantos nodos de entrada, que
sea imposible realizar un aprendizaje. En concreto para 5 variables originales, el número
de nodos de entrada debe de ser de 102.
Más optimistas nos mostramos, con la utilización de la máquina de Boltzmann, la
cual creemos que puede ofrecer señales de compra o de venta a medio plazo, con lo cual
si los resultados son satisfactorios creemos que puede ser útil como una herramienta más
para los analistas financieros. Indicar que no hemos encontrado ninguna referencia
bibliográfica, utilizando esta red, en la predicción de alguna variable financiera.
Otro trabajo previsto, es la obtención de un índice que replique al IBEX-35, con
un pequeño número de valores, lo que facilitaría también el trabajo de gestión de una
cartera individual. En efecto manejar 35 valores con sus proporciones correspondientes es
3
Las funciones que aparecen en la literatura, son el sen (xi), sen (2xi), sen (3xi), cos (xi), cos (2xi),
cos (3xi), xi sen (xj), xi cos (xj), xi xj, xi xj xk,…, x1 x2… xI.
5
García Güemes, A. y otros
bastante complejo para carteras personales, además de que los gastos de mantenimiento
se elevan considerablemente. Para la obtención de este sub-IBEX, está previsto utilizar un
mapa autoorganizativo, de forma que obtengamos distintos conjuntos de valores de
comportamiento parecido.
Una vez se disponga de estos conjuntos, su número indicará cuantos valores
tienen que pertenecer al sub-Ibex y habrá que elegir un valor de cada grupo, en la
proporción adecuada, con lo que el problema se simplificará considerablemente.
Se pretende también aplicarlas en marketing, concretamente en el estudio de
franquicias con capital español. Deseamos que se pueda conocer a priori, en función de
las características de la franquicia, cuantos establecimientos deben de franquiciarse y
cuantos deben de ser explotados directamente por la propia empresa. Para ello se dispone
de 16 variables de las 221 empresas de franquicia existentes a finales de 1996, que
dividimos en 14 de entrada y dos de salida. Dado que el aprendizaje puede ser
supervisado, parece en principio que una red de propagación puede ser la adecuada.
Como quiera que el establecimiento de franquicias, exige un tiempo, las
dividiremos en función del número de años que lleva funcionando, de forma que pueda
establecerse si es posible, el número de establecimientos que deben de explotarse en
propiedad y cuantos en franquicia, para cada año.
Para finalizar y aún cuando la metodología de las Redes Neuronales, no parece
que esté ofreciendo resultados especialmente eficaces, en problemas de Optimización, es
nuestra intención utilizarlas para optimizar rutas de transporte.
4. BIBLIOGRAFÍA
1. ABECASIS S.M. AND LAPENTA E.S.(1996).Nonstationary Time-Series Forecasting
Withing a Neural Network Framework.. Neurove$t Journal. vol 4 nº 4. pp 9-16
2. ANTHONY M. Y BIGGS N.L. (1995). A computational learning theory view of
economic forecasting whit neural networks. Ed. Refenes A.P. John Wiley & Sons.
Chichester.
3. ARAGÓN TORRE, A. Y GARCÍA GÜEMES A. (1996). Prediction of the Ibex-35
index using neural network methodology. International Conference on intelligent
Technologies. Proceeedings. vol. I pp. 444-449.
4. ARAGÓN TORRE A. Y GARCÍA GÜEMES A. (1997). El problema de la relación
entre variables de entrada en las redes neuronales. XI Reunión Asepelt-España. Bilbao.
4
Se hará para considerar la posible existencia de un término independiente.
6
V JORNADAS ASEPUMA
7
García Güemes, A. y otros
19. OTERO J.M. Y TRUJILLO F. (1993). Predicción multivariante y multiperiodo de una serie
temporal económica mediante una red neuronal.. Estadística española. vol 35, nº 133
20. PACHECO BONROSTRO J. Y DELGADO SERNA C. (1997). Modificaciones en el
aprendizaje de la red de propagación hacia atrás. XI Reunión Asepelt-España. Bilbao.
21. PARGA, J. (1994). Inteligencia artificial en mercados financieros. Bolsa de Madrid. nº
23- Junio
22. RAHIMIAN E. SINGH S. THAMMACHOTE T. Y VIRMANI R. (1993). Bankruptcy
prediction by neural network.. Ed. Trippi y Turban. Probus Publising Company.
Chicago.
23. REFENES A.P., ZAPRANIS A.D. y FRANCIS G. (1994). Stock Perfomance modeling
using neural networks: A comparative study with regression models. Neural Networks
vol.7 nº 2.
24. SERRANO CINCA C. (1995). Las redes neuronales artificiales en el análisis financiero.
Tesis doctoral. Zaragoza.
25. SERRANO CINCA C. Y MARTIN DEL BRIO B. Predicción de la quiebra bancaria
mediante el empleo de redes neuronales artificiales. Revista Española de financiación y
contabilidad. vol XXIII.
26. YAO J., LI Y. AND LIM TAN C. (1997). Forecasting the CHF-USD Exchange Rates
using Neural Networks. Neurove$t Journal vol 5, nº 2. pp 7-13
27. YASER S.A. (1995). Financial market applications of learning from hints.. Ed. Refenes
A.P. John Wiley & Sons. Chichester.