Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
específicamente las Redes Neuronales Recurrentes, para hacer
una extracción de datos automática y así ayudar a los Para la selección de las redes finales se tomaron 4 tipos de
operadores del mercado para tomar mejores decisiones a nivel redes diferentes de las cuales 3 usaban frecuencias de 21 días
de inversión monetaria, dándoles como resultado las opciones y se compararon con una que poseía una secuencia de 252 días
de mantener sus posiciones en el mercado , realizar compras o y de las cuales se seleccionan los 2 mejores modelos de cada
ventas de algún activo.[4] tipo y de las cuales se expuso el porcentaje de acierto y de
Este estudio en síntesis se basa en la predicción de el valor de validación generando el ranking para cada una[4]
los activos basado en datos históricos analizados bajo
diferentes métodos estadísticos de común uso en el ámbito El estudio arrojo que para las redes simples RNN con
bursátil como lo son los análisis de medias móviles y los secuencias de 21 días se darían los peores resultados en los
osciladores [4] modelos con menos cantidad de neuronas o modelos con 3
capas y un Dropout [4]
Para el desarrollo de este proyecto las redes neuronales se
programaron en Keras el cual ofrece un modelo sequential con
el cual solo se emplea el modelo sequential para realizar un
ensamblaje lineal de capas.
Así este modelo requirió de sequential para el inicio de la red
neuronalLSTM| GRU |SimpleRNN para la incorporación de
capas progresivamente, Dropout como técnica de regulación
para imponer aleatoriamente valores de cero (porcentaje) a las
unidades de ingreso para evitar sobre ajustes y Dense como
referencia a las capas conectadas donde las neuronas de la capa
reciben la información y determinan la predicción.[4]
Imagen 3
Red neuronal recurrente base del sistema
En contraste con esto las redes GRU con secuencia de 21 días
son una simplificación de su predecesora la LSTM en la cual
se dieron resultados muy similares en a los encontrados con la
red simpleRNN, aunque existe una ligera diferencia entre los
aciertos del conjunto en especial en los que usan el Dropout[4]
Imagen 1.
Como referencia tenemos este segmento de modelo de la red
neuronal LSTM.
En este modelo se basa todo el desarrollo de la red neuronal en
sobre la cual opera el sistema de predicción y sobre el cual por
último se utiliza el Dropout y que luego se deja como
comentado debido a que después de las primeras pruebas
resulto innecesario pues no se requería sobre ajuste.[4]
2
Como conclusión y a ejemplo el estudio entrega una predicción
para la empresa ATVI-Activision Blizzard en la cual se Aquí se relacionan el numero de PMT’s el cual se representa
enuncia que su valoración de ingresos es de 6489 millones de por la variable Nhits y la carga máxima PEmax en un PMT que
dólares y en la cual el software arrojo que se observan un se localice en una distancia del núcleo mayor a R.[5]
conjunto de tendencias principalmente alcistas para un periodo
de 8 años y que indicia que la estrategia de inversión de una RM que se define así
compra seria exitosa como inversión a medio-largo plazo [4]
Imagen 8
Imagen 11
Imagen 7
3
Metodología
Imagen 14
Conclusiones:
1. Las redes neuronales son la herramienta actual por
predilección para la solución de problemas complejos
basados en el modelado de situaciones de diferentes
ámbitos y facilitan la toma de decisiones.
2. En el campo del análisis de mercado las redes
neuronales podrían llegar a ser a la futura base sobre
la cual se tomen todas las decisiones de inversión y
aportaría a disminuir la tendencia especulativa en la
cual se basa el mercado actualmente.
REFERENCIAS
Imagen 12
(Matich,2001). Redes Neuronales: Conceptos
Básicos y Aplicaciones.
4
(Hernández & Herrera). Predicción y Clasificación de series
temporales bursátiles mediante Redes Neuronales
Recurrentes.
5
6