Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sede Latacunga
Trabajo de Investigación
Nombre:
José A. Bucheli C.
Docente:
Ing. Jacqueline del Roció Llanos P. Dr.
Este artículo muestra en forma sencilla cómo las Redes Neuronales Artificiales pueden
aplicarse en las finanzas, en particular, en el área de predicción de variables económicas
financieras. En 1981, el Dr. White realizó un trabajo que ilustraba el uso de las Redes
Neuronales Artificiales en la predicción de variables financieras. Desde entonces, se ha
incrementado el estudio de las aplicaciones de las Redes Neuronales Artificiales en el
campo de las finanzas. En tal sentido, se ha aprovechado la característica de las Redes
Neuronales Artificiales, que establece que éstas pueden “aprender”.
Figura 1. Variables de entrada de una Red Neuronal Artificial para pronósticos financieros
Se puede afirmar que los parámetros para determinar la definición de la arquitectura son:
• Conexión estándar: En este caso las conexiones son entre las capas de
entrada y salida, pasando por una capa oculta, como se muestra en la
Figura 2.
• Conexión con salto: En el caso más simple, la capa de entrada se vincula,
no solamente con la capa oculta, sino también con la capa de salida, tal
como se muestra en la Figura 3.
• Conexión recurrente: En este caso las conexiones proporcionan la
posibilidad que las capas ocultas puedan retroalimentar a las variables de
entrada, mediante procesos iterativos, tal como se muestra en la Figura 4.
4. La función de activación.
• Sinusoidal
• Gaussiana
El proceso de aprendizaje de la Red pasa por un proceso progresivo que permita la mejor
fijación de los parámetros correctos. La recomendación es que se eviten las variaciones
radicales de los parámetros.
Se puede fijar un valor para estos parámetros que permitan que la Red Neuronal se
detenga cuando haya alcanzado el valor deseado. Otro criterio de aceptación es la
convergencia. Si los errores se consideran modestos, pero la oscilación tiene una alta
divergencia, es oportuno verificar la adecuación de los parámetros.
2. Redes Neuronales Artificiales para el Procesamiento de Imágenes, una
Revisión de la Última Década.
Para cada uno de los conjuntos de datos se construyó su respectivo árbol de decisión
utilizando el algoritmo C4.5, para esto se trabajó con el software Weka. Por razones de
espacio solo se presenta el árbol de decisión obtenido de la base de datos “evaluación de
carros”, mostrado en la figura 9, también se puede observar que el nodo que obtuvo la
mayor “ganancia de información” fue la característica “seguridad”.
Una red neuronal artificial es un entramado o estructura formada por nodos o neuronas,
que se conectan entre sí y tienen la capacidad de recibir datos de entrada y producir una
salida. Las distintas redes neuronales propuestas en el presente trabajo presentan tres
capas de neuronas con propagación de la información hacia adelante, están compuestas
por una capa de entrada cuyas neuronas son Ei (en la presente aplicación, en cada una de
las cuales ingresan los parámetros como temperatura, humedad, etc.), una capa de
neuronas ocultas Oj (capa de unidades de procesamiento), cuyo número de neuronas no
necesariamente es igual al de la capa de entrada, y una capa de neuronas de salida, Si ,
que codifican el resultado del cálculo (en esta aplicación conformada por una sola neurona
que indica la decisión de helada o no). La cantidad de neuronas de la capa de salida
depende del problema a resolver. El esquema general puede observarse en el Figura 11.
Figura 11. Esquema general de conexiones de una red neuronal.
Datos meteorológicos
Los datos diarios de entrada de la RN se obtuvieron de la estación meteorológica
convencional de Río Cuarto Aero, que pertenece al Servicio Meteorológico Nacional
dependiente de la Fuerza Aérea Argentina, Región Aérea Noroeste, cuyo número de la
Organización Meteorológica Mundial (OMM) es 87453, y se encuentra ubicada en las
coordenadas geográficas 33º07’ lat. Sur y 64º14’ long. Oeste, la altitud es de 421 m.s.n.m.
El clima de la región de Río Cuarto, Córdoba, Argentina, se clasifica, según Köppen,
como Cwa, subtropical cálido húmedo con inviernos secos.
Pronóstico de heladas
El modelo general (M1) de pronóstico de heladas se implementó como una red neuronal
del tipo “backpropagation”, empleando una función sigmoidea, con tasa de aprendizaje α
= 1, tasa de momento γ = 0,5, y el parámetro β = 0,5, valores recomendados por Campbell
y Temporel (2002). El mismo se programó utilizando lenguaje C. Para la capa de entrada
y la capa oculta se utilizaron 15 neuronas. Como la función de activación utilizada fue la
sigmoidea, que entrega valores para temperaturas en todo el intervalo [0,1], se consideró
una función lineal para asignar los valores menores a 0,2 como 0 si se produce el
fenómeno de helada, y los valores mayores a 0,8 el valor 1 que corresponde a no helada,
quedando un gradiente en el intervalo (0,2, 0,8).
En el modelo 1 (M1), los datos de entrada fueron: temperatura (ºC) a nivel del abrigo de
las 14:00 h y 20:00 h, humedad relativa (%), temperatura a punto de rocío (ºC), dirección
(º) y velocidad del viento (nudos) y nubosidad (octos); los valores de estas variables se
consideran para los dos días sucesivos anteriores al que se va a pronosticar.
Figura 12. Modelos de redes neuronales para pronóstico de heladas. Variables de entrada y número de neuronas en
la capa de entrada (E) y oculta (O)
RESULTADOS Y DISCUSIÓN
Para el modelo M1, al cabo de 20.000 iteraciones, se obtuvo un error medio cuadrático
de 1,0. En el Cuadro 2 se observan los errores que se presentaron en el entrenamiento de
cada uno de los modelos, como así también la evolución de los mismos cuando se
disminuyen el número de neuronas de la capa oculta. Se puede deducir que la reducción
en el número de neuronas que constituyen la capa oculta produce un aumento en los
errores de aprendizaje, esto estaría confirmando la suposición que el fenómeno es
decididamente no lineal en su comportamiento, y de allí esta reducción dificulta la
elección de pesos, para un mismo número de iteraciones en el aprendizaje.
Figura 13. Valor del error de aprendizaje y días con error de pronóstico para los distintos modelos de redes
neuronales.
6. Bibliografía
De Luna Ortega, C. A., Martínez Romo, J. C., & Mora Gonzáles, M. (2006).
Reconocimiento de Voz con Redes Neuronales, DTW y Modelos Ocultos de
Markov. Conciencia Tecnológica, 5.
Del Carpio Gallegos, J. (2005). Las Redes Neuronales Artificiales en las Finanzas.
Facultad de Ingeniería Industrial, 5.
Origel Rivas, C. G., Rendón Lara, E., Abundez Barrera, I. M., & Alejo Eleuterio, R.
(2020). Redes Neuronales Artificiales y Árboles de Decisión para la
Clasificación con Datos Categóricos. Computing Science, 14.
Ovando, G., Bocco, M., & Sayago, S. (2005). Redes Neuronales para Modelar
Predicción de Heladas. ResearchGate, 9.
Ramírez Quintana, J. A., & Chacón Murguía, M. I. (2011). Redes Neuronales
Artificiales para el Procesamiento de Imágenes, una Revisión de la Última
Década. RIEE&C, 10.